Полное описание

Миндубаева, Г. Р. Применение искусственных нейронных сетей для прогнозирования последствий выброса газа на примере экспериментов "PRAIRIE GRASS". Часть 2 / Г. Р. Миндубаева, А. И. Купцов, Ф. М. Гимранов. - Текст : непосредственный // Казанский национальный исследовательский технологический университет. Вестник технологического университета. - 2020. - Т. 23, N 11. - С. 106-109. - Библиогр. в конце ст. - ISSN 1998-7072.

ГРНТИ	УДК
28.23.37	004.032.26

Рубрики:
Нейронные сети -- Применение

Кл.слова (ненормированные): искусственная нейронная сеть -- выброс газа -- диоксид серы -- PRAIRIE GRASS
Аннотация: Для проведения актуальных прогнозов последствий выбросов газа с высокой точностью за кратчайший промежуток времени предлагается принципиально новый подход с использованием искусственных нейронный сетей. Целью данной работы является создание нейросетевой модели, способной с высокой точностью за короткий промежуток времени предсказать значения концентрации газа при его выбросе в различных точках пространства. В данной работе, рассматривались значения концентраций эксперимента «Пририя Грасс» (Prairie Grass) по вертикали. Основным отличием данного набора данных является его величина: в ходе каждого эксперимента по горизонтали было зафиксировано в среднем более 250 значений, в то время как по вертикали - всего 54. Необходимо отметить, что количество данных, используемых в ходе данной работы для обучения нейронной сети, не велико, а большинство значений в каждом эксперимента равны нулю, т.е. в каждом тренировочном наборе в среднем будет присутствовать не более 18 реально значимых чисел, которые при этом в десятки раз отличаются друг от друга. Таким образом, нейросетевая регрессия (т.е. предсказание конкретных значений концентрации) в данном конкретном случае может оказаться неэффективным инструментом. Для проверки этого предположения, по примеру предыдущей работы, была реализована нейросетевая модель с использованием функции MLPRegressor с 100 нейронами в скрытом слое. Для всех экспериментов были предсказаны значения концентрации, качество предсказаний оценивалось с помощью коэффициента детерминации. R2. Для получения наиболее достоверных результатов, проверка была осуществлена с использованием пятиступенчатой кросс валидации. В качестве функции активации были рассмотрены функции tanh и logistic. Среднее значение коэффициента детерминации по всем экспериментам составило 0.22 для функции активации tanh, и 0.08 для logistic. Функция активации tanh более эффективна для маленьких наборов данных по сравнению с функцией активацией logistic, однако, даже эта функция не обеспечивает качественных прогнозов: для более чем 60% всех экспериментов Prairie Grass полученные предсказания можно назвать неприемлемыми. Для решения задачи классификации все данные были разделены на 2 класса, за основу деления на классы было взято максимальное разовое ПДК диоксида серы, которое составляет 0,5 мг/м3. Значения, не превышающие величину ПДК, отнесены к классу «0» с условным названием «безопасные», а остальные к классу «1» - «небезопасные». Задачей нейросетевой модели в данном случае является не предсказание конкретного значения, а только отнесение его к одному из классов. Для построения модели была использована функции MLPClassifier библиотеки scikit learn. Для оценки адекватности модели была выбрана метрика F1, значение которой стремится к 1 в случае идеальной модели. Для всех экспериментов было проведено моделирование по методу классификации: среднее значение метрики F1 по всем экспериментам составило 0,9, что свидетельствует о крайне высокой степени точности предсказаний. Распределение полученных результатов для одного из экспериментов представлено графически. Полученные результаты можно использовать для оценки в режиме реального времени диспетчерскими службами промышленных предприятий или органов МЧС при решении различных задач промышленной безопасности, связанное с аварийными истечениями опасных газов из технологического оборудования и трубопроводов.
Доп. точки доступа:
Купцов, А.И.
Гимранов, Ф.М.


Имеются экземпляры в отделах: всего 2 : ЧЗХР (1), ХРЦ (1)
Свободны: ЧЗХР (1), ХРЦ (1)
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -379599-542015)

Шифр в сводном ЭК: 20c1273e1a5adf25eabf72f0f032a426

Заказать издание
Заказ фрагмента документа ₽