3. Павлова Н.М., Иванова М.В., Волохина А.Т., Глебова Е.В. Подбор психодиагностических методик для оценки профессионально важных качеств руководителей и специалистов ООО «Газпром Трансгаз Самара» // Безопасность жизнедеятельности. 2012. №1. С. 20-24.
4. Рублёва Г.В. Математическая статистика: статистические критерии проверки гипотез. Учебно-методическое пособие для студентов очной формы обучения технических и инженерных специальностей. - Тюмень: Издательство Тюменского государственного университета, 2014. 50 с.
5. Левин Д.М., Дэвид М., Стефан, Дэвид, Кребиль Т.С., Тимоти С., Беренсон М.Л., Марк Л. Статистика для менеджеров с использованием Microsoft Excel, 4-е изд. - М.: Издательский дом «Вильямс», 2004. 1312 с.
The kruskal-wallis criteria to development a methodology of the professional selection
Irina Vladimirovna Retinskaya, Doctor of Technical Sciences, Professor, Gubkin Russian State University of Oil and Gas (NRU)
Ekaterina Yur'evna Feaktistova, Graduate student, Gubkin Russian State University of Oil and Gas (NRU)
Maria Viktorovna Ivanova, Cand. Technical Sciences, Associate Professor, Gubkin Russian State University of Oil and Gas (NRU)
Elena Vital'evna Glebova, Doctor of Technical Sciences, Professor, Gubkin Russian State University of Oil and Gas (NRU)
In this article we discuss possible methods of the significance of the psychodiagnostic methods for the significance of the professional qualities of the employees of the enterprises of gas transportation and selected non-parametric Kruskal-Wallis criteria.
Key words: reduction of accidents, professional suitability, professional-important qualities, psychodiagnostic methods, Kruskal-Wallis test.
УДК 539.124;519.23
ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ПРОЦЕССАХ КОНТРОЛЯ И УПРАВЛЕНИЯ ПОТОКАМИ ИОНИЗИРУЮЩЕГО ИЗЛУЧЕНИЯ
Алексей Федорович Каперко, профессор, профессор, e-mail: [email protected], Владимир Петрович Кулагин, профессор, руководитель лаборатории,
e-mail: [email protected], Национальный исследовательский университет «Высшая школа экономики»
http://www.hse.ru
Рассматривается использование в качестве интеллектуального метода контроля потоков ионизирующего излучения нейросетевой подход обработки выходной информации со спектрометра, построенного на алмазных детекторах. С помощью спектрометра анализируются 24 выходных сигнала, содержащих интегральные количественные характеристики потоков ионизирующего излучения. Обрабатывается информация о потоках электронов, протонов и тяжелых заряженных частиц в энергетическом диапазоне от 0 до 10000 МэВ. Предложен математический аппарат, позволяющий получать информацию о дифференцированных значениях плотностей потоков ионизирующего излучения в 21 энергетическом диапазоне. Модель преобразования информации в тракте регистрации спектрометра основывается на использовании алгоритма моделирования в программном пакете GEANT4.
Ключевые слова: искусственная нейронная сеть, контроль, ионизирующее излучение, программный пакет GEANT4.
Современные устройства контроля параметров потоков ионизирующего излучения разрабатываются для эксплуатации в критических условиях. Создание перспективных детекторов потоков ионизирующего излучения необходимо для применения в системах контроля технологических параметров и диагностики оборудования ядерных энергетических установок, а также для использования в спектрометрах космического применения.
Для обеспечения длительного функционирования аппаратуры при интенсивном радиационном воздействии, особенно таких факторов, как потоки тяжелых заряженных частиц, электронов и протонов обычно используются алмазные детекторы. В качестве обоснования выбора алмазных детекторов для регистрации ионизирующего излучения, а в особенности космического излучения, наиболее значимыми параметрами являются следующие:
- радиационная и химическая стойкость;
- высокая теплопроводность;
- широкая запрещенная зона - 5.5еУ, что обеспечивает низкие токи утечки и низкий уровень шума;
- высокая чувствительность, что определяет небольшие размеры и высокое разрешение детектора.
Для контроля потоков ионизирующего излучения предлагается использовать спектрометр с пятью алмазными детекторами [1]. При попадании ионизирующей частицы излучения в алмазный детектор в нем возникает электрический заряд Q, пропорциональный энергии Е, потерянной частицей в детекторе. Выходной сигнал каждого детектора усиливается с помощью отдельного зарядочувствительного усилителя, на выходе которого появляются импульсы напряжения с амплитудой, пропорциональной заряду, а, следовательно, энергии, переданной частицей детектору. Выходные сигналы зарядочувствительных усилителей с помощью аналого-цифрового преобразования сортируются по амплитудным уровням на несколько диапазонов. В цифровой схеме спектрометра потоки ионизирующего излучения регистрируются с помощью 24-х счетчиков частиц, сигналы от которых превысили соответствующие амплитудные уровни.
Перед каждым алмазным детектором установлен селективный фильтр в виде металлической пластины с заданной толщиной рис.1 (1 - модуль фильтров и алмазных датчиков; 2 - модуль усиления, формирования и первичной обработки информации; 3 -
модуль управления и ин-
4
>1*5232
формационного интерфейса; 4 - фильтры; 5 - чувствительные элементы на основе алмазной пластины толщиной 0.3 мм; 6 - модуль питания). Проходя через материал фильтра, ионизирующая частица теряет часть своей энергии, что приводит к смещению спектра поглощения энер-
. _ гии в алмазном детекторе. В
Рис. 1. Функциональная схема алмазного спектрометра
результате, за время цикла
измерения и контроля в 24 счетчиках частиц спектрометра фиксируются данные о количестве частиц ионизирующего излучения, прошедших через спектрометр из соответствующего энергетического диапазона.
Однако, информация о частицах ионизирующего излучения, содержащаяся в каждом счетчике, представляет собой суммарное значение потоков электронов, протонов и тяжелых заряженных частиц с различными энергиями. Для использования ин-
формации в системах управления потоками ионизирующего излучения необходимо по измерительным данным спектрометра получить раздельные значения потоков ионизирующего излучения по различным энергетическим диапазонам. Далее рассматриваются вопросы применения искусственной нейронной сети (ИНС) для обработки измерительных данных спектрометра потоков ионизирующего излучения на алмазных детекторах, что обеспечивает получение текущих значений плотностей потоков электронов, протонов и тяжелых заряженных частиц по 21 энергетическому диапазону. В результате, за время цикла измерения в 24 счетчиках частиц спектрометра фиксируются данные о количестве частиц соответствующего энергетического диапазона.
Важным этапом исследований является "обучение" нейронной сети, что в итоге позволяет ей с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Для обучения нейронной сети необходимо сформировать базу данных, на основе которых может быть построена нейронная сеть прямого распространения, имеющая, как правило, большую степень уверенности. В ряде случаев используется обучение с помощью алгоритма обратного распространения, являющегося модификацией градиентного спуска, при котором определяется среднеквадратичная ошибка сети как разница между эталонным и выходным вектором.
Обучение искусственной нейронной сети предполагается выполнить следующим образом:
1. Выполнить расчет с помощью алгоритма моделирования в программном пакете GEANT4 [2] данных спектрометра по экспериментально зарегистрированным спектрам ионизирующего излучения с использованием модели преобразования информации.
2. Осуществить обучение искусственной нейронной сети по экспериментально зарегистрированным спектрам потоков ионизирующего излучения и рассчитанным в предыдущем пункте данным спектрометра.
Среди большого разнообразия современных нейросетевых подходов предлагается решать задачу на базе персептрона с одним скрытым слоем. Выбор этого нейросетевого подхода обосновывается следствием теоремы Колмогорова [3], утверждающего, что «с помощью персептрона с одним скрытым слоем можно аппроксимировать любую сколь угодно сложную функцию с любой наперед заданной точностью». Структура персеп-трона с одним скрытым слоем представлена на рис. 2.
Рис. 2. Структура персептрона с одним скрытым слоем [4]
Использование нейросетевой технологии обеспечивает не только достаточно адекватное отображение модели исследуемого процесса или явления, возможность нахождения закономерностей в большом потоке противоречивой информации, сохранение связей между важными факторами, но и, что не менее важно, высокую скорость обработки данных и малую ресурсоемкость вычислительного оборудования. Дополни-
тельным преимуществом этого подхода в настоящем исследовании является возможность решения представленной задачи в едином вычислительном базисе [3].
Выбор прототипа нейросетевой модели обосновывается двумя факторами. Первый - требованиями качества выхода, а именно относительная погрешность формируемых показаний спектрометра не должна превышать 10%. Второй - простотой реализации, чем меньше слоев и нейронов в слоях, тем проще реализация, проще обучение и выше надежность. Так как определение прототипа нейросетевой модели относится к этапу экспериментальных исследований, то эта процедура, а также процедура обучения нейросетевой модели и проверки на адекватность функционирования нейросетевой модели проводится для каждого экспериментального образца нейросетевой модели. Для обучения нейросетевой модели необходимо определиться с алгоритмом минимизации функционала ошибки нейросетевой модели. В проведенных исследованиях использовался градиентный алгоритм наискорейшего спуска.
Для проведения экспериментальных исследований был разработан программный комплекс, позволяющий формировать и изменять конструктив нейросетевой модели, проводить ее обучение и тестирование, получать расчетные результаты и отображать их визуально и в виде таблиц. Интерфейс программного комплекса представлен на рис. 3, 4, 5.
Рис.3. Интерфейс для формирования структуры нейросетвой модели и ее обучения
Обучающая выборка измерительных данных потоков ионизирующего излучения делилась на две части: Р=800 примеров использовались для обучения нейронной сети (обучающие множество), 200 примеров - для тестирования (тестовое множество).
Примеры из обучающего множества равномерно перемешивались. Размерность входного сигнала N=24, размерность выходного сигнала K=21.
Первоначально количество нейронов в скрытом слое H1 выбиралось равным 80. Но такое количество нейронов не позволило обучить нейросетевую модель до значения ошибки 8<0.1, т.е. с погрешностью менее 10%. Только увеличив количество нейронов в скрытом слое H1 до 300, удалось добиться требуемой точности и то после 3000000 итераций обучения.
С использованием созданной нейросетевой модели было проведено моделирование преобразования информации о потоках ионизирующего излучения в тракте регистрации с измерением электронных потоков в диапазоне энергий от 0.1 до 5 МэВ и протонных потоков в диапазоне от 5 до 500 МэВ.
Полученные экспериментальные данные для всех пяти каналов регистрации потоков ионизирующего излучения спектрометра с учетом наличия ослабляющих фильтров в выбранных диапазонах энерговыделения позволили сформировать матрицу отклика
спектрометра потокам ионизирующего излучения и использовать ее для восстановления данных о этих потоках.
В ходе выполнения данной работы были использованы интеллектуальные методы обработки информации в виде искусственной нейронной сети. Разработана нейросете-вая модель и показаны возможности восстановления дифференцированных спектров электронного, протонного излучения и излучения тяжелых заряженных частиц по показаниям спектрометра на алмазных детекторах в энергетическом диапазоне от 0 до 10000 МэВ и реализовано программное обеспечение для ее обучения и тестирования. Модель преобразования информации в тракте регистрации спектрометра основывается на использовании алгоритма моделирования в программном пакете ОБЛКТ4.
Поиинм шжишянторов яшапм Ш| 311 « антвиспрро еы!сд=
К «
НвбпЮЛБНПЯ
"«issHM lenaeubii спкторовешншв № (37] I скиктаЕ^ойдынр
Пошаш ипины! «поров ягаио» Ш( П5] « юотвисприщд шида
î Kl
: к t
!» : in S t î f i !r t I
Г i го Î I II t \W :
1 10 k h i | ni ft/
У п 0 4 У fi, i-iv^l V i*4 ■ t ■ i— ï .....
Пмшш шпкишашорсс сшим КН| ТД |и нюш1сте)кщ™ выидо
* I ? 't/if г-1
S и---------------
t \
ft Î
I ]
г
f
/ ":
AxLi
i ■
.t
I.,',',',
' Ji
■J p i <. t
>: « Наблюдения
» 30
Наблюдения
Рис.4. Значения рассчитанных и полученных спектров сигналов ионизирующего излучения
Рис.5. Гистограммы средних абсолютных ошибок по выходам нейронной сети [4] Литература
1. Zakharchenko K.V., Kaperko A.F., Kolyubin V.A., Kulagin V.P., L'vov S.A., Nedosekin P.G., Chumachenko E.N. Spectrometric Diamond Detector of Fluxes of Ionizing Radiation for Space Transportation Systems // Measurement Techniques. 2015. Vol. 58. № 6. P. 713-718.
2. Geant4: A toolkit for the simulation of the passage of particles through matter [Офиц. caïïr]. http://geant4.web.cern.ch/geant4/ (дата обращения 20.03.2017 г.).
3. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа. -М.: Финансы и Статистика, 1976.
4. Истратов А.Ю., Захарченко К.В., Каперко А.Ф., Колюбин В.А., Кулагин В.П., Курочкин Р.И. Применение нейросетевого подхода к измерениям потоков космического излучения // Измерительная техника. 2016. № 3. С. 49-54.
Intelligent methods and information technologies in the processes of control and management of ionizing radiation
Alexey Fedorovich Kaperko, professor, professor NRUHSE Vladimir Petrovich Kulagin, professor, chief of laboratory NRU HSE
Discusses the use as a smart method of controlling the flow of ionizing radiation neural network approach to processing the output from the spectrometer on diamond detectors. Using the spectrometer analyzes the output signal 24 containing the integral quantitative characteristics of the flow of ionizing radiation. Processed information about of electrons, protons and heavy charged particles in the energy range from 0 to 10000 MeV. The proposed mathematical model allows to obtain information about the values of differential fluxes of ionizing radiation in the energy range 21. Model conversion information in the registration section of the spectrometer is based on the use of simulation algorithm in the software GEANT4.
Keywords: artificial neural network, control, ionizing radiation, software GEANT4. УДК: 550.834.32
ПРИМЕНЕНИЕ ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ВИБРОСЕЙСМИЧЕСКИХ ИССЛЕДОВАНИЯХ
Валерий Викторович Ковалевский, д-р. техн. наук, зам. директора,
e-mail: [email protected], Людмила Петровна Брагинская, ведущий программист, e-mail: [email protected], Андрей Павлович Григорюк, научный сотрудник, e-mail: [email protected], Алексей Геннадьевич Фатьянов, д-р. физ.-мат. наук, зав. лабораторией,
e-mail: [email protected], Дмитрий Алексеевич Караваев, канд.физ.-мат. наук, научный сотрудник,
e-mail: [email protected], Институт вычислительной математики и математической геофизики
СО РАН (ИВМиМГ СО РАН), http://www.sscc.ru
В статье рассмотрены основы метода вибросейсмических исследований и вопросы применения геоинформационных технологий в задачах изучения глубинного строения земной коры, мониторинга геодинамических процессов в сейсмоактивных областях, геофизических и инженерных приложений. Представленный в статье научный информационный сервис (http://opg.sscc.ru), разработанный в ИВМиМГ СО РАН, обеспечивает целостное представление предметной области и различных аспектов научной деятельности в активной сейсмологии, охватывая все основные этапы научных исследований: эксперимент, моделирование, библиографию, публикацию результатов и их обсуждение.
Ключевые слова: вибросейсмические исследования, активная сейсмология, земная кора, геодинамические процессы, научно информационная система и портал знаний.
Результаты, представленные в статье, получены при частичной финансовой поддержке гранта РФФИ № 15-0706821 и Программы Президиума РАН № 18.
Введение
Последние три десятилетия прошлого века характеризовались активным развитием нового направления в экспериментально геофизике, основанного на применении мощ-