апрель 2019

Застосування функціональної нейромережевої системи для задач оптимізації технології енергоконденсованих систем


Єфремов Данило Сергійович Єфремов Д. С. , Коротка Л. І.
Химия и современные технологии
Abstract / Full Text

Застосування функціональної нейромережевої системи для задач оптимізації технології енергоконденсованих систем / Химия и современные технологии : Метериалы ІХ Международной научно-технической конференции студентов, аспирантов и молодых ученых «Химия и современные технологии», 2019. – C. 24-25


На сучасному етапі розвитку гірничодобувних технологій важливим є намір відмови від промислового застосування тротилу та тротилових вибухових речовин. Дану проблему можна вирішити за допомогою створення та застосування безпечних технологій нітратних енергокон-денсованих систем (ЕКС) [1]. Такі системи характеризуються високим рівнем безпечності застосування та поводження, бо вони складаються з невибухових компонентів.

Промислове впровадження розробленої технології виявило необхід-ність корегування технологічних параметрів (кількості та концентрації поризуючого розчину) в залежності від механіко-міцностних характеристик гранул вхідної сировини (аграрної аміачної селітри).

Задача оптимізації технології ЕКС передбачає комп’ютерне моделювання процесу, що дозволить прогнозувати параметр відносної динамічної міцності гранул кінцевого продукту в залежності від характеристик вхідної сировини та технологічних параметрів. Зауважимо, що основними вхідними параметрами є динамічна міцність гранул сировини (x1), кількість поризуючого розчину (x2) та масова концентрація пори-зуючого розчину (x3). За результатами досліджень було встановлено, що цільовий параметр міцності модифікованих гранул (вихідний параметр – y) змінюється з часом (x4) та набуває оптимальних значень (y = 97-99,8%) на 7-8 добу після виготовлення.

Складність вирішення поставленого завдання полягає в тому, що вихідний параметр, в свою чергу, залежить від ряду факторів, визначення яких в умовах технології ЕКС ускладнене або неможливе.

Для досягнення мети пропонується використання технологій обчислювального інтелекту, зокрема, штучних нейронних мереж (НМ). Такий підхід обумовлений тим, що отримання аналітичної моделі, наприклад, за допомогою регресійного аналізу, повного факторного експерименту, тощо, не є необхідним. Достатньо отримати імітаційну модель, яка дозволяє апроксимувати функцію y багатьох змінних. Як відомо, нейронні мережі є універсальними апроксимуючими системами.

Згідно теореми про повноту у роботі використовуються сигмоїдальні функції активації (ФА): логістична (1) та гіперболічний тангенс (2).

Як відомо, особливістю застосування нейронних мереж є те, що мережа здатна надавати адекватне значення функції, яка апроксимується, проте не надає в аналітичному вигляді саму функцію. Загальновідомо, що пам’яттю спроектованої та навченої мережі є її синаптичні ваги (матриці коефіцієнтів рівнянь визначення нейронів), які використовуються в подальшій роботі з мережею.

Етапи моделювання передбачали вибір архітектури НМ, фільтрацію (для «зашумлених») та нормалізацію вхідних параметрів, визначення об’єму навчальної вибірки та її формування, визначення параметрів та навчання НМ, перевірку навченої мережі. Початкові значення ваг та коефіцієнт навчання НМ обрані згідно рекомендацій [2, 3]. Роботу було проведено з різними моделями НМ, деякі результати чисельних експериментів наведено у таблиці 1.

Таблиця 1 – Результати чисельних експериментів

Архітектура нейронної мережі Функ-ція акти-вації Крок навчан-ня Необхідний об’єм навчальної вибірки Задана похибка нейронної мережі Відносна похибка для тестового зразка Кількі-сть епох навчан-ня
[5-5-1] (1) 0,1 100 0,1 0,0990 3
[5-5-1] (1) 0,5 200 0,05 0,0464 2
[5-9-1] (1) 0,1 140 0,1 0,0968 2
[5-5-1] (2) 0,5 1000 0,01 0,0309 2
[5-9-1] (2) 0,5 100 0,1 0,0933 2
[5-5-5-1] (1) 0,5 300 0,05 0,0503 3
[5-5-5-1] (1) 0,5 1500 0,01 0,0112 3
[5-5-5-1] (2) 0,5 300 0,05 0,1152 3
[5-5-5-1] (2) 0,5 1500 0,01 0,0256 3

Слід зауважити, що ретельна підготовка вхідних зразків у достатній мірі сприяла тому, що різні мережі навчались за достатньо невелику кількість епох незалежно від функції активації, заданого кроку навчання та заданої похибки. Як показали результати перевірки та тестування спроектованої та навченої нейронної мережі, її узагальнюючі можливості повністю задовольняють очікуванням.

References
  1. Коваленко И.Л. Технология модифицирования аграрной аммиачной селитры в производстве энергоконденсированных систем / И.Л. Коваленко, Д.В. Киященко // Science and education a new dimension. Natural and technical sciences. 2015. III (8), Issue 73. P. 107 110.
  2. Коваленко І.Л. Застосування нейронних мереж для оптимізації технології енергоконденсованих систем /І.Л. Коваленко, Л.І. Коротка // Комп’ютерне моделювання та оптимізація складних систем. – Дніпро: ДВНЗ УДХТУ, 2017. – С. 60-63. (DOI: 10.32434/CMOCS-2017)
  3. Коротка Л.І. Аналіз нейромережевих моделей в задачах оптимізації технології енергоконденсованих систем / Л.І. Коротка // Математичне моделювання. – 2018. – № 1 (38). – С. 69-76.