CC BY
63
ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
УДК 004.8:620.95 ББК 32.973-018+32.813
В С. АБРУКОВ, А.В. КОЧЕРГИН, Д А. АНУФРИЕВА
ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ КАК СРЕДСТВО ОБОБЩЕНИЯ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
Ключевые слова: искусственные нейронные сети, экспериментальные данные, моделирование, обобщение.
Обобщение данных многофакторного эксперимента требует применения современных информационных технологий. Целью работы бъто исследование возможностей искусственных нейронных сетей для создания моделей, обобщающих комплекс экспериментальных данных многофакторного эксперимента. В работе впервые получены многофакторные вычислительные модели, обобщающие на принципиально новом уровне экспериментальные данные по горению разнообразных биотоплив в различных условиях. Полученные модели позволяют решать прямые и обратные задачи - вычислять скорость горения различных газовых смесей в различных внешних условиях и определять необходимый состав горючей смеси и внешние условия, необходимые для достижения требуемой скорости горения. Эти модели могут найти применение в биоэнергетике при организации сжигания различных видов биотоплива. Перспективы работы связаны с применением методологии работы для обобщения экспериментальных данных в различных областях науки и техники.
Эксперимент лежит в основе как фундаментальных, так и прикладных исследований. При этом важно представить результаты эксперимента не только в виде таблицы или графиков, но и в виде вычислительной модели полученных экспериментальных данных, которая бы обобщала в удобном виде связи и зависимости между всеми переменными эксперимента - характеристиками объекта или процесса, и условиями (параметрами), в которых существует объект или реализуется процесс.
Таблицы и графики - традиционные способы представления моделей экспериментальных данных, которые не позволяют в удобном виде проводить вычисления одних переменных эксперимента через другие; решать, как прямые задачи моделирования экспериментальных данных, так и обратные.
Особенно неудобны традиционные способы представления моделей экспериментальных данных в случае многофакторного эксперимента, когда число переменных эксперимента более трех.
Эти проблемы могут быть устранены, если для моделирования экспериментальных данных использовать искусственные нейронные сети (ИНС) [4, 5], позволяющие реализовывать именно вычислительные модели экспериментальных данных и именно - многофакторного эксперимента. Число факторов при этом не имеет решающего значения [6].
Цель работы - изложение методологии моделирования экспериментальных данных многофакторного эксперимента.
В качестве примера были выбраны экспериментальные данных по горению в различных условиях разных типов углеводородов, получаемых при переработке биологических отходов.
Конкретной задачей работы было создание с помощью ИНС многофакторных вычислительных моделей, обобщающих на принципиально новом уровне комплекс экспериментальных данных по горению различных углеводородов в разных условиях, позволяющих решать прямые и обратные задачи горения - вычислять скорость горения различных газовых смесей в различных внешних условиях и определять необходимый состав горючей смеси и внешние условия, необходимые для достижения требуемой скорости горения.
Исследование возможностей использования различных видов биотоплив в энергетике является в настоящее время очень актуальной задачей во многих странах мира. В процессе переработки биологических отходов получается смесь различных углеводородов, которые затем смешиваются с энергетическими добавками (водород), окислителем (обычно, воздух), и полученные горючие смеси используются в различного рода сжигающих устройствах. Сложный состав горючих смесей приводит к тому, что скорость горения зависит от многих факторов, совместное влияние которых на скорость горения нельзя описать с помощью классических математических (аналитических или численных) методов моделирования.
Методологии моделирования экспериментальных данных многофакторного эксперимента. ИНС - представляют собой универсальные «аппрок-симаторы» экспериментальных функций нескольких переменных. Они позволяют создавать модели, способные определять конкретные значения целевых функций задачи для различных наборов факторов; зависимости целевых функций от какого-либо одного фактора при фиксированных значениях других; решать как прямые, так и обратные, по отношению к целевым функциям, задачи. ИНС - модели позволяют экстраполировать полученные закономерности за пределы полученных экспериментальных результатов и тем самым получать новые «экспериментальные» результаты. Они способны адаптироваться к новым экспериментальным данным («дообучаться») [1-3, 6].
Для создания многофакторных вычислительных моделей были использованы результаты экспериментальных работ, проведенных в рамках одного из проектов стран Европейского Союза.
В нашей работе эти данные были переработаны и дополнены. Для создания моделей использовалась отечественная аналитическая платформа «Deductor» производства BasegroupLab, г. Рязань (www.basegroup.ru).
На рис. 1-7 представлена технология и результаты по созданию многофакторных вычислительных ИНС-моделей в виде скриншотов аналитической платформы «Deductor», отличительной особенностью которой является то, что одновременно с вычислением целевых функций модели она выдает и графики зависимости целевой функции от различных факторов.
П1 0е(1ис1ог ^и<Но Аса<1ети: (C:\Documents апс! 8еИ1п§в\Вик.3255А9С058С842А\Рабочий стал\ЮБВ-2016\Вт-горение-Качергин\Горение.с1е(1) - [Тек
Избранное Сервис <
¡а I
| 8&1 Сценарии
1 0
а {а} й - 0
& Щ а #1 Щ 1
- Б] Сценарии (Э й Текстовый Файл (Итог1 .Ьс1] В Нейросеть [3x7x1) ! ¿ф Нейросеть [Э «7 к 2] Нейросеть [9x7x3 зэе Корреляционный анализ ( ^ Нейросеть [9 н 5 н 1 ]
®Са„оорган„,ющ,яся„| ^ Качество данных (рЫ, Б!.
Рис. 1. Пример экспериментальных данных по горению различных газовых смесей
Кочергин\Горвние. йе<1) - [Нейросеть [9x7x1]]
Рис. 2. Структура многофакторной вычислительной ИНС-модели определения скорости горения (справа) по экспериментальным данным об условиях экспериментов (слева)
Рис. 3. Результат вычисления скорости горения (нижняя строка над графиком), соответствующий конкретному набору параметров горючей смеси и внешних условий (верхние строки над графиком). График зависимости скорости горения от содержания молекул водорода в горючей смеси
Рис. 4. Результат вычисления скорости горения (нижняя строка над графиком), соответствующий конкретному набору параметров горючей смеси и внешних условий (верхние строки над графиком). График зависимости скорости горения от коэффициента избытка окислителя в горючей смеси
Рис. 5. Результат вычисления скорости горения (нижняя строка над графиком), соответствующий конкретному набору параметров горючей смеси и внешних условий (верхние строки над графиком). График зависимости скорости горения от условного содержания углерода в горючей смеси
Рис. 6. Структура многофакторной вычислительной ИНС-модели решения одного из вариантов обратной задачи
Рис. 7. Иллюстрация решения обратной задачи в виде численных данных и графика
На рис. 1 приведены данные по коэффициенту избытка окислителя в горючей смеси (phi), линейной скорости горения (SI, см/с), исходной температуре горючей смеси (Temp, К) и давлению (P, Па), при котором сжигалось топливо. Эти данные были в исходных экспериментальных данных. Для обобщения данных вместо конкретных названий углеводородов (метан, пропан, бутан и т.д.), не имеющих прямо выраженного физического смысла, и их количества в смеси мы использовали (для придания более ясного физического смысла экспериментальным данным) данные по относительному количеству содержания атомов углерода, водорода, кислорода, азота в горючей смеси, а также данные по относительному количеству молекул водорода в горючей смеси и количеству атомов кислорода в углеводородном топливе.
На рис. 2 представлен пример структуры ИНС, использованной для решения прямой задачи - определения скорости горения. ИНС-модель имеет 9 входных нейронов, на которые подаются значения входных факторов, 7 внутренних (скрытых) нейронов и один выходной нейрон, который выдает численное значение скорости горения.
На рис. 3-7 представлены примеры ИНС-моделей вычисления скорости горения и выявленные зависимости скорости горения от различных факторов.
Аналогичные результаты могут быть получены для любого набора факторов, оказывающих влияние на скорость горения. В этом заключается одно из главных достоинств полученных многофакторных моделей, обобщающих все закономерности, содержащиеся в экспериментальных данных на принципиально новом уровне.
На рис. 6 представлена структура многофакторной вычислительной ИНС-модели решения одного из вариантов обратной задачи - определения того, какая исходная температура горючей смеси (справа на рисунке) может обеспечить требуемое значение скорости горения при различных наборах значений остальных переменных задачи (слева на рисунке).
Рис. 7 иллюстрирует решение обратной задачи (рис. 6) в виде численных данных и графика, определяющего, какое значение температуры надо использовать для достижения требуемой скорости горения. Аналогичные результаты могут быть приведены для определения значений любого из факторов, обеспечивающих требуемое значение скорости горения.
Выводы. 1. Получены многофакторные вычислительные модели, позволяющие решать прямые и обратные задачи исследования горения газовых горючих смесей различного состава в различных условиях.
2. Показано, что искусственные нейронные сети позволяют обобщать результаты экспериментальных исследований на принципиально новом уровне.
Литература
1. Абруков В.С., Абруков С.В., Карлович Е.В., Семенов Ю.В. База знаний процессов горения: будущее мира горения // Вестник Чувашского университета. 2013. № 3. С. 46-52.
2. Абруков В.С., Абруков С.В., Смирнов А.В., Карлович Е.В. База знаний: эксперимент, интеллектуальный анализ данных, искусственные нейронные сети // Наноструктурированные материалы и преобразовательные устройства для солнечной энергетики 3-го поколения: сб. тр. II Всерос. науч. конф., 22-24 мая 2014 г. / Министерство образования и молодежной политики Чувашкой Республики, Ассоциация молодых физиков Чувашии и др. Чебоксары, 2014. С. 15-21.
3. Абруков В.С., Абруков С.В., Смирнов А.В., Карлович Е.В. Методы интеллектуального анализа данных при создании баз знаний // Вестник Чувашского университета. 2015. № 1. С. 140-146.
4. Круглов В.В., БорисовВ.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2001.
5. Нейронные сети. Методология и технологии современного анализа данных / под ред. В.П. Боровикова. 2-е изд., перераб. и доп. М.: Горячая линия-Телеком, 2008.
6. Abrukov V.S., Karlovich E.V., Afanasyev V.N., Semenov Y.V., Abrukov S.V. Geation of pro-pellant combustion models by means of data mining tools. International Journal of Energetic Materials and Chemical Propulsion, 2010, vol. 9, no. 5, pp. 385-396.
АБРУКОВ ВИКТОР СЕРГЕЕВИЧ - доктор физико-математических наук, профессор кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары (abrukov@yandex.ru).
КОЧЕРГИН АРТЕМ ВЛАДИМИРОВИЧ - студент III курса факультета прикладной математики, физики и информационных технологий, Чувашский государственный университет, Россия, Чебоксары (tem47@mail.ru).
АНУФРИЕВА ДАРЬЯ АЛЕКСАНДРОВНА - магистр по направлению «Физика на-носистем», старший делопроизводитель кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары (kafedra.pfn@mail.ru).
V. ABRUKOV, A. KOCHERGIN, D. ANUFRIEVA ARTIFICIAL NEURAL NETWORKS AS A MEANS OF GENERALIZATION OF EXPERIMENTAL DATA Key words: artificial neural networks, experimental data, simulation, synthesis.
Generalization of multifactor experiment data requires the use of modern information technologies. The work aim was to study possibilities of artificial neural networks to create models that generalize a set of experimental data of multifactor experiment In the work the multiple-factor computing models generalizing experimental data on burning of various bio fuels in different conditions are received for the first time at an essentially new level These models allow us to solve direct and inverse problems - to calculate the burning rate of various gas mixtures in different environments and to determine the desired composition of the fuel mixture and external conditions necessary to achieve the desired burning rate. These models can be used in a bioenergetics for an organization of combustion of various types of bio fuels. The work prospects are connected with the working methodology using for the generalization of the experimental data in various fields of science and technology.
References
1. Abrukov V.S., Abrukov S.V., Karlovich E.V., Semenov Yu.V. Baza znanii protsessov gore-niya: budushchee mira goreniya [A combustion knowledge base is future of combustion world]. Vestnik Chuvashskogo universiteta, 2013, no. 3, pp. 46-52.
2. Abrukov V.S., Abrukov S.V., Smirnov A.V., Karlovich E.V. Baza znanii: eksperiment, intel-lektual'nyi analiz dannykh, iskusstvennye neironnye seti [Knowledge base: experiment, data mining, artificial neural networks]. Nanostrukturirovannye mate-rialy i preobrazovatel'nye ustroistva dlya solnechnoi energetiki 3-go pokoleniya: sb. tr. II Vseros. nauch. konf. , 22-24 maya 2014 g. [Proc. of II Rus. Sci. Conf. « Nanostructured materials and converting devices for solar energy 3rd generation», 2014, May 22-24]. Cheboksary, 2014, pp. 15-21.
3. Abrukov V.S., Abrukov S.V., Smirnov A.V., Karlovich E.V. Metody intellektual'nogo analiza dannykh pri sozdanii baz znanii [Data mining techniques as means of creating knowledge bases]. Vestnik Chuvashskogo universiteta, 2015, no. 1, pp. 140-146.
4. Kruglov V.V., Borisov V.V. Iskusstvennye neironnye seti. Teoriya i praktika [An artificial neural network. Theory and practice]. Moscow, Goryachaya liniya-Telekom Publ., 2001.
5. Borovikov V.P., ed. Neironnye seti. Metodologiya i tekhnologii sovremennogo analiza dan-nykh. 2-e izd., pererab. i dop. [Neural network. Methodology and technology of modern data analysis. 2nd ed.]. Moscow, Goryachaya liniya-Telekom Publ., 2008.
6. Abrukov V.S., Karlovich E.V., Afanasyev V.N., Semenov Y.V., Abrukov S.V. Creation of propellant combustion models by means of data mining tools. International Journal of Energetic Materials and Chemical Propulsion, 2010, vol. 9, no. 5, pp. 385-396.
ABRUKOV VICTOR - Doctor of Physics and Mathematical Sciences, Professor of Applied Physics and Nanotechnology Department, Chuvash State University, Russia, Cheboksary.
KOCHERGIN ARTEM - 3rd year Student, Faculty of Applied Mathematics, Physics and Information Technologies, Chuvash State University, Russia, Cheboksary.
ANUFRIEVA DARYA - Master's Degree in «Physics of Nanosy stems», Senior Account Executive of Applied Physics and Nanotechnology Department, Chuvash State University, Russia, Cheboksary.
Ссылка на статью: Абруков В.С., Кочергин А.В., Ануфриева Д.А. Искусственные нейронные сети как средство обобщения экспериментальных данных // Вестник Чувашского университета. - 2016. - № 3. - С. 155-162.
