CC BY
9DoI: 10.12731/2227-930X-2016-2-67-78
моделирование концентрационных пределов на основе нейронных сетей
Осипов А.Л., Трушина В.П., Павлик И.О.
Изучаются модели прогнозирования концентрационных пределов с использованием нейросетевых технологий. Разработано программное обеспечение для реализации этих моделей. Показана эффективность работы системы на экспериментальном материале.
Ключевые слова: моделирование; нейронные сети; принятие решений; программирование; концентрационные пределы; выборка; структурная формула.
modelling of concentration limits
based on neural networks
Osipov A.L., Trushina V.P., Pavlik I.O.
We study the forecasting model with the concentration limits is-the use of neural network technology. The software for the implementation of these models. It is shown that the efficiency of the system in the experimental material.
Keywords: modeling; neural networks; decision-making; programming; concentration limits; sampling; structural formula.
Для проведения эффективных мероприятий по обеспечению пожаровзрывобезопасности, а также создания безопасных условий труда необходимо правильно и полно оценивать пожаровзры-воопасные и физико-химические свойства исследуемых соедине-
ний, таких как адиабатическая температура горения, температура вспышки, верхний и нижний концентрационные пределы воспламенения и др. [4, с. 41]. Зачастую сведения по пожаровзрывоопас-ности новых или еще только синтезируемых химических веществах отсутствуют. В связи с тем, что экспериментальное определение показателей пожаровзрывоопасности сопряжено с трудоемкими исследованиями, в настоящее время единственным способом, который удовлетворяет возрастающую потребность в данных о пожаровзрывоопасности, являются расчетные методы, которые требуют эффективных математических моделей. Расчетные методы полезны как для прогнозной оценки пожаровзрывоопасности используемых веществ, так и на этапе проектных исследований из-за необходимости оценки влияния возможных колебаний составов реакционных смесей в химико-технологических процессах.
В последние несколько лет наблюдается большой интерес к нейронным сетям. Нейронные сети являются наиболее эффективным инструментом для задач прогнозирования, применяемому практически в любой ситуации, когда имеется связь между переменными-предикторами (входами) и прогнозируемыми переменными (выходами), даже если эта связь имеет очень сложную природу и ее трудно выразить в обычных терминах корреляций или различий между группами.
Концентрационный предел распространения пламени (КПР) -одно из значимых пожаровзрывоопасных свойств веществ, определение которого является необходимым действием при определении категории помещений и зданий по взрывопожарной и пожарной опасности, при разработке мер по предотвращению пожаров и взрывов в технологическом оборудовании и т.д.
Концентрационный предел распространения пламени (воспламенения) (КПВ) - минимальное/ максимальное содержание горючего вещества в однородной смеси с окислительной средой (окислителем), при котором возможно распространение пламени
по смеси на любое расстояние от источника зажигания. По максимальному и минимальному содержанию горючего в воздухе различают соответственно верхний концентрационный предел воспламенения (ВКПВ) и нижний концентрационный предел воспламенения (НКПВ). Между ними находится интервал (область воспламенения), характеризующий пожарную опасность газов, паров, пылей, жидкостей. Содержание горючего в воздухе (размерность КПР) может выражаться в % (по объему) или в г-м3 [1, с. 27].
Экспериментальный способ определения пожаровзрывоопас-ных свойств, в том числе и определение НКПВ, достаточно затратен и трудоемок [1, с. 35]. Намного эффективнее и удобнее является использование компьютерных программ, реализующие наиболее точные алгоритмы и математические модели расчета таких показателей [3, с. 89]. Разработка программных средств в целях предсказания пожаровзрывоопасных свойств химических веществ на основе нейросетевых технологий является актуальной задачей.
Для прогнозирования НКПВ отобрана информация о 300 соединениях, относящиеся к различным классам химических веществ: наименование вещества, класс, структурная формула, значение НКПВ [1, с. 57; 2, с. 65].
Задача прогнозирования решается путем обучения нейронной сети выборкой из химических соединений с заданным показателем НКПВ. Имея готовую нейронную сеть, можно ввести структурную формулу вещества и получить предсказанное значение НКПВ для химического соединения. Программа также позволяет вносить в базу данных информацию о новых веществах, значения НКПВ которых достоверно подтверждены. С учетом этих новых данных имеется возможность переобучения нейронной сети, а также экспортировать отчеты по результатам прогнозирования в MS Excel.
На синапсы нейронов первого слоя подается информация о наличии и количестве дескрипторов, присутствующих в структурной формуле. В качестве таких дескрипторов отобраны сле-
дующие фрагментарные составляющие формулы: атомы с учетом валентного состояния или атом-связь-атом. Таким образом, на входы каждого нейрона первого слоя подается следующая информация: 0 - если соответствующий фрагмент отсутствует в структурной формуле, и в случае наличия фрагмента в формуле -цифра, показывающая их количество.
Для того, чтобы программа могла прогнозировать нижний концентрационный предел воспламенения необходимо обучение нейронной сети. Это обучение происходит с помощью алгоритма обратного распространения ошибки.
Алгоритм обратного распространения ошибки является одним из методов обучения многослойных нейронных сетей прямого распространения, называемых также многослойными персептро-нами. Многослойные персептроны успешно применяются для решения многих сложных задач.
В качестве входных данных используются готовые соединения и их коэффициенты воспламенения, полученные экспериментальным путем.
Общий алгоритм обучения представлен ниже:
1. Инициализировать веса маленькими случайными значениями.
2. Подать обучающую выборку на вход сети и подсчитать выходы каждого узла.
3. Для выходного слоя рассчитывается
5k = °k(l - - о) где 5 - производная выходного слоя; ок - выходной сигнал, tk -
предполагаемый выходной сигнал.
4. Для каждого слоя, начиная с предпоследнего вычислить
5=о(1-о) > S.w.,
J Г У к j,k
k^Childrenij)
где 5 - производная промежуточных слоев; о. - выходной сигнал слоя; w., - вес слоя.
5. Далее происходит подстройка весов
Aw.. = аДж.. + (1 - а)п8.о., где w.. - вес слоя, а - произвольная константа, п - множитель, задающий скорость «движения», 8 - производная промежуточных слоев, о. - выходной сигнал слоя.
ж. = ж.. + аДж.., где ж,. - вес слоя, ж,. - градиент.
6. Повторить обучение с 2 шага, если существуют еще обучающие выборки.
Так же нужно отметить, что нейронная сеть в описываемой программе использует сигмоидальную функцию активации, что позволяет более точно определять прогнозируемое значение. В качестве примера сигмоидальных функций можно привести логистическую (1) и гиперболический тангенс (2):
1
У =--(1)
1 + ехр (—аУУ к }
где У - выходной сигнал слоя, а - параметр наклона сигмоидаль-ной функции активации.
У = ^ф, (2)
где У - выходной сигнал слоя, а - параметр наклона сигмои-дальной функции активации. В представленной нейронной сети использован гиперболический тангенс. На рис. 1 представлена блок-схема обучения по алгоритму обратного распространения ошибки.
Сведения о веществах хранятся в файле Летюа^.ут1. УАМЬ-человекочитаемый формат сериализации данных, концептуально близкий к языкам разметки, но ориентированный на удобство ввода-вывода типичных структур данных многих языков программирования. Непосредственно в файле ^етюаЬ.ут! хра-
нится информация о наименованиях химических соединений, фрагментарных элементах, которые они содержат, их связей и дескрипторы этих соединений, а также Smiles-формулы. При запуске программы открывается основное диалоговое окно, содер-
Подать на вход сигнал х из обучающей выборки
Рассчитать выходной сигнал у всех слоев
Рассчитать ошибку сети е=у-с1
Модифицировать веса слоев
\ = \ + 1 □-
Рис. 1. Алгоритм обучения сети
- молекулярный редактор, позволяющий строить структурные формулы исследуемого соединения либо путем перетаскивания на рабочую область с панели элементов соответствующие элементы и соединять их связями, либо по Smiles-формулам;
- справочные окна, показывающие информацию о содержащихся в формуле дескрипторах (наличие и количество) и значение НКПВ;
- пункты меню «Файл» - содержащие стандартные команды работы с программой;
жащее следующие элементы (рис. 2):
- пункты меню «Сервис»: Соединения - позволяет выбрать соединения из базы данных для исследования, Обучение -позволяет открыть соответствующие диалоговые окна для обучения нейронной сети, Отчет - для экспорта результатов обучения в MS Excel; Экзамен - проверка качества прогнозирования на экзаменационной выборке;
- кнопка, вызывающая диалоговое окно для добавления нового соединения в базу данных.
Рис. 2. Молекулярный редактор
Диалоговое окно для добавления нового вещества в базу данных содержит поля: Наименование, Smiles-формула и коэффициент НКПВ (рис. 3).
Для начала работы программы необходимо ввести структурную формулу химического соединения одним из трех способов: либо построить в молекулярном редакторе, используя панель инструментов, либо выбрать уже готовое соединение из списка, либо ввести формулу в формате SMILES в текстовое поле в верх-
74
иДБ, Мите 6, ЫитЬег 2, 2016
ней части экрана. Программа проверяет информацию о вводимом химическом веществе на наличие его в базе данных. Если сведения о таком веществе уже хранятся в ней, то автоматически выводится его название, в противном случае существует возможность добавления информации о веществе в базу данных: название, SMILES-формула, значение НКПВ.
Рис. 3. Добавление нового вещества в базу данных
После ввода структурной формулы программой подсчитыва-ются дескрипторы: в соответствующем окне показывается их наличие и количество.
После подсчета дескрипторов программа приступает к расчету коэффициента НКПВ. Для этого подгружается обученная нейронная сеть, и в нее загружаются уже готовые дескрипторы. Когда сеть подстроит значения согласно весам, она выдаст рассчитанное значение НКПВ.
Обучение сети можно провести, выбрав пункт меню Сервис -Обучение. Окно Обучение представляет собой таблицу, в столбцах которой содержится информация о наличии и количестве дескрипторов соединения и значении НКПВ, подтвержденным надежными источниками (рис. 4). По строкам таблицы расположены сведения о конкретном соединении из базы данных.
Файл
Акрилонитрил Аллиламин Аллилен Амилацетат Амилбромид S > Наименова... С Вг N NH3 NH2 0 CHI CI снз СН2 NH сн ОН НКПВ
Акрилонит... 1 0 1 1 3.0 J
1_ « Аллиламин 0 0 0 2 2.2 ^
Аллилен 1 0 з 3 1.7
Амилацетат 1 з 3 1.08
Амиловый спирт - Амилбромид 0 1 J 4 2.2
Амилхлорид Аминобифенил < Амиловый с... 0 0 0 4 1.48
Амилхлорид 1 0 0 1 1.5
Аммиак Анилин Ацетальдегид Ацетанилид Ацетилен Ацетон Ацетонитрил Ацетонциангидрин Бутан Бутен-1 Бутен-2 Бутиламин Аминобифе.. 3 0 з 3 0.75
Аммиак 0 0 0 3 17.0
Анилин 1 0 3 3 1.32
Аиетальде... 0 0 3 3 4.1
Ацетанилид 2 0 3 3 1.0
Ацетилен 0 0 0 0 2.5
Ацетон 1 0 0 3 2.91
Ацетонитрил 1 0 1 0 4.1
Ацетонциа... 2 0 1 0 2.2
Бензол 3 3 3 3 1.43
Бутан 0 0 3 2 1.8
Бутен-1 0 0 0 2 1.81
Бутен-2 0 0 0 3 2 1.82
Обучить
Рис. 4. Окно «Обучение»
Обучение нейронной сети начинается после нажатия кнопки «Обучить».
Для демонстрации работы программы из базы химических соединений выбран случайным образом Гептан (рис. 5).
В окне молекулярного редактора отобразились его структурная формула, наличие и количество дескрипторов, входящих в формулу, а также значение коэффициента НКПВ (рис. 6).
В ходе исследований осуществлена возможность прогнозирования нижнего и верхнего концентрационных пределов воспламенения, добавления в базу данных веществ с известными значениями НКПВ и ВКПВ, переобучение нейронной сети с учетом этих значений, а также экспорт отчетов по результатам прогнозирования в MS Excel.
Рис. 5. Выбор соединения для прогнозирования НКВП
Рис. 6. Структурная формула выбранного соединения
В ходе проведенных экспериментов были получены следующие результаты: при обучении и тестировании нейроной сети на экзаменационных выборках выдаются результаты, имеющие точность, адекватную точности экспериментального определения НКПВ и ВКПВ. Таким образом, можно сделать вывод, что программа пригодна для прогнозирования НКПВ и ВКПВ широкого класса органических соединений, и это позволяет рекомендовать ее для практического использования.
Список литературы
1. Корольченко А.Я., Крольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справочник: в 2ч. М.: Асс. «Пожнаука», 2004. Ч.1. 713 с.
2. Корольченко А.Я., Крольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справочник: в 2ч. М.: Асс. «Пожнаука», 2004 . Ч.2. 774 с.
3. Криветченко О.В., Павлик И.О. Компьютерная система прогнозирования нижнего концентрационного предела воспламенения //Информационно-телекоммуникационные системы и технологии (ИТСиТ-2014): Материалы Всероссийской научно-практической конференции, г. Кемерово, 16-17 октября 2014 г.; Кузбас. гос. техн. ун-т им. Т.Ф. Горбачева. Кемерово, 2014. С. 88-89.
4. Осипов А.Л., Криветченко О.В. Компьютерная оценка нижнего концентрационного предела воспламенения химических веществ // В мире научных открытий. Красноярск: Научно-инновационный центр, 2013. .№10.1(46) (Математика. Механика. Информатика). С. 34-45.
References
1. Korolchenko A.Ya., Krolchenko D.A. Pozharovzryvoopasnost' vesh-chestv i materialov i sredstva ikh tusheniya [Fire hazard substances
and materials and their extinguishing agents]. M.: Ass. «Pozhnauka», 2004. Part 1. 713 p.
2. Korolchenko A.Ya., Krolchenko D.A. Pozharovzryvoopasnost' vesh-chestv i materialov i sredstva ikh tusheniya [Fire hazard substances and materials and their extinguishing agents]. M.: Ass. "Pozhnauka", 2004. Part 2. 774 p.
3. Krivetchenko O.V., Pavlik I.O. Komp'yuternaya sistema prognoziro-vaniya nizhnego kontsentratsionnogo predela vosplameneniya [The computer system of forecasting lower flammable limit // Information and Telecommunication Systems and Technologies]. Informatsion-no-telekommunikatsionnye sistemy i tekhnologii (ITSiT-2014): Mate-rialy Vserossiyskoy nauchno-prakticheskoy konferentsii, g. Kemerovo, 16-17 oktyabrya 2014 [Proceedings of the All-Russian scientific-practical conference, Mr. Ke-mers, on October 16-17, 2014]; Kuzbas. gos. tekhn. un-t im. T.F. Gorbacheva. Kemerovo, 2014, рр. 88-89.
4. Osipov A.L., Krivetchenko O.V. V mire nauchnykh otkrytiy. Krasnoyarsk, 2013. №10.1(46), рр. 34-45.
данные об авторах
Осипов А.л., Трушина В.П., Павлик и.О.
Новосибирский государственный университет экономики и управления
ул. Каменская 52/1, г. Новосибирск, 630099, Российская Федерация [email protected]
DATA ABOUT THE AUTHORS
Osipov A.L., Trushina V.P., Pavlik I.O.
Novosibirsk State University of Economics and Management 52/1, Kamenskaya Str., Novosibirsk, 630099, Russian Federation
