CC BY
70
ФИЗИКА
УДК 536.46:004.9 ББК 24.5
В.С. АБРУКОВ, С.В. АБРУКОВ, Е.В. КАРЛОВИЧ, Ю.В. СЕМЕНОВ БАЗА ЗНАНИЙ ПРОЦЕССОВ ГОРЕНИЯ: БУДУЩЕЕ МИРА ГОРЕНИЯ*
Ключевые слова: горение, Data Mining, искусственные нейронные сети, многофакторные вычислительные модели, база знаний.
Цель статьи - обратить внимание на необходимость и возможность обобщения экспериментальных данных, накопленных в мире горения, в виде базы знаний процессов горения. База знаний будет представлять собой комплекс, состоящий из базы данных экспериментальных результатов, полученных в мире горения, и набора многофакторных вычислительных моделей, созданных с помощью средств Data Mining и искусственных нейронных сетей и включающих в себя зависимости между характеристиками и параметрами процесса горения. Предложен новый подход к представлению результатов экспериментальных исследований в научных журналах и отчетах по НИР. В качестве примеров приведены базы знаний и новый подход к представлению результатов экспериментальных исследований в виде многофакторных моделей горения энергетических материалов и горения топливовоздушных смесей в модельных камерах сгорания.
VS. ABRUKOV, S.V. ABRUKOV, E.V. KARLOVICH, Yu.V. SEMENOV A COMBUSTION KNOWLEDGE BASE IS FUTURE OF COMBUSTION WORLD
Key words: knowledge base, combustion, artificial neural networks, computational models.
The goals of the paper is to pay attention to the time has came to make a generalization from the experimental data of combustion world from the point of view of a Knowledge Base creation. The Knowledge Base will be a complex consisting of a data base of experimental results obtained in all of the combustion world and the whole set of multifactor computational models that will be established on the basis of the data base and will include in itself all connections between all variables (combustion characteristics and parameters) of all fuel mixtures and energetic materials. A new approach to the presentation of the results of experimental studies in scientific journals and research reports is suggested. As examples, the paper presents a knowledge base and a new approach to the presentation of the results of experimental studies in the form of multi-factor models of combustion of energy materials and fuel-air mixture in the model of combustion chambers.
В мире накоплено чрезвычайно большое количество экспериментальных данных о характеристиках горения различных видов топлива и энергетических материалов в различных условиях горения. Очевидно, что характеристики горения связаны с составом горючих смесей и видом компонентов смеси, наличием каталитических добавок, давлением, начальной температурой и другими параметрами. Однако в настоящее время не существует обобщенных моделей влияния этих факторов. Нет моделей, которые позволяют предсказывать скорость горения новой горючей смеси для различных диапазонов давления и начальной температуры (прямая задача). Нет моделей, которые позволяют определять состав горючей смеси, обеспечивающий требуемую скорость горения при требуемом давлении и начальной температуре (обратная задача).
В данной работе мы представляем результаты использования Data Mining (DM) для создания обобщенных моделей горения, которые способны решать как прямые, так и обратные задачи.
DM включает в себя такие средства, как «деревья решений», искусственные нейронные сети (ИНС), самоорганизующиеся карты Кохонена. ИНС играют ведущую роль при создании многофакторных вычислительных моделей, которые позволяют решать прямые и обратные задачи.
* Исследование выполнено при финансовой поддержке РФФИ (проект № 13-02-97071).
В качестве примеров представлены две модели: 1. Зависимость эффективности действия катализаторов на скорость горения от состава топлива и давления в камере сгорания (прямая задача) и 2. Содержание катализаторов в топливе, обеспечивающее требуемую скорость горения при различных составах топлива и давлениях в камере сгорания (обратная задача).
Результаты исследования и их обсуждение. Модели 1 и 2 содержат в себе все зависимости между эффективностью катализатора Z (Z = Uk / U0 , где U0 - скорость горения без катализатора; Uk - скорость горения с катализатором), содержанием нитроцеллюлозы (NC), нитроглицерина (NGL), гексогена (RDX), катализатора SnO2, содержанием сажи и давлением. Эти модели позволяют прогнозировать скорость горения топлива для любого набора из шести переменных, а также прогнозировать коли -чество двух катализаторов для любого набора из пяти других переменных.
Для построения моделей были взяты экспериментальные данные, приведенные в [3].
Схема создания моделей была следующей. Сначала экспериментальные данные были собраны в базу данных.
Пример представлен в таблице.
Для решения прямой задачи в процессе обучения ИНС различные наборы значений содержания в топливе NC, NGL,
RDX, SnO2, сажи и значения давления подавались на входной слой ИНС, а соответствующие значения эффективности катализатора Z подавались на выходной слой ИНС. В целом ИНС состояла из одного входного слоя (шесть нейронов), одного скрытого слоя (семь нейронов) и одного выходного слоя (один нейрон).
Для обучения ИНС мы использовали хорошо известную процедуру - метод «обратного распространения ошибки».
Обученная ИНС представляет собой средство, обобщающее все зависимости между эффективностью катализатора и другими переменными и позволяющее вычислять и прогнозировать эффективность катализатора для различных наборов переменных (параметров) эксперимента для существенно более широкого диапазона переменных, чем было использовано в реальных экспериментах [3].
На рис. 1 показан пример возможностей полученной модели. Представлена зависимость Z от количества Sn02, рассчитанная для значения р = 30 МПа (в действительности, в работе [3] имелись данные только для интервала р = 1-20 МПа). Результаты показывают, что модель хорошо экстраполирует зависимость скорости горения (в виде Z) от количества Sn02 для более широкого диапазона давлений, чем было измерено в [3].
Для решения обратной задачи в процессе обучения ИНС различные наборы значений содержания NC, NGL, RDX, значения давления и эффективности катализатора - Z подавались на входной слой ИНС, а соответствующие значения количества катализатора SnO2 и сажи подавались на выходной слой.
В целом ИНС состояла из одного входного слоя (пять нейронов), одного скрытого слоя (восемь нейронов) и одного выходного слоя (два нейрона).
Обученная ИНС представляет собой средство, обобщающее все зависимости между количеством SnO2 и сажи, с одной стороны, и эффективностью катализатора и значениями оставшихся переменных - с другой. Она позволяет вычислять и прогнозировать количества SnO2 и сажи, которые обеспечивают требуемую эффективность
Пример данных, использованных для создания моделей 1 и 2
NC, % NGL, % RDX, % SnÜ2, % C, % p> МПа Z
54 46 0 1,5 0 2 1,7
54 46 0 1,7 0 2 1,8
54 46 0 10 0 2 2,2
54 46 0 2,3 0 20 1,1
54 46 0 10 0 20 1,2
60 40 0 5 0 3 2,2
60 40 0 5 3 0,5 1,7
37 37 25 1,5 0 2 1,5
37 37 25 2,5 0 2 2
50 50 0 2,5 0 0,5 1
50 50 0 2,5 0 5 1,8
катализатора 2 (фактически требуемую скорость горения) для различных наборов переменных (параметров) эксперимента.
Полученная модель может быть использована для определения количеств 8и02 и сажи, которые обеспечивает требуемую эффективность катализатора в более широком диапазоне переменных (например, давление), чем в [3].
Рис. 1. Зависимость эффективности катализатора от количества Sn02 для давления 30 МПа (другие переменные: NC - 54%, nGl - 46%, RDX - 0%, сажа - 0%)
На рис. 2 показана зависимости количеств Sn02 и сажи, которые обеспечивают требуемую эффективность катализатора Z. Зависимости были рассчитаны для значения р = 30 МПа (в работе [3] были данные только для интервала p = 1-20 МПа). Результаты показывают, что модель хорошо определяет количества SnO2 и сажи, обеспечивающие требуемое значение Z для более широкого диапазона давлений, чем в [3].
Рис. 2. Нормализованное (от 0 до 10%) количество катализатора 8п02 (красная линия) и количество сажи (зеленая линия), которые обеспечивают различные значения эффективность катализатора Ъ для давления р = 30 МПа (другие переменные: N0 - 54%, КОЬ - 46%, КОХ - 0%)
Скриншот аналитической платформы, которую мы использовали для создания моделей, показан на рис. 3. Представлена модель, которая позволяет рассчитать количества SnO2 и сажи, которые обеспечивают необходимую эффективность катализатора Z = 1,66 при различных значениях давления (другие переменные: NC - 54%, NGL - 46 %, RDX - 0%). В таблице над графиками (см. рис. 3) показано количество SnO2 = 2,08 ... и количество сажи = 0,25 ... (см. «Output»), которые обеспечивают Z = 1,66 для р = 2 МПа и NC - 54%, NGL - 46%, RDX - 0% (см. «Input»).
Рис. 3. Нормализованное (от 0 до 10%) количество катализатора Бп02 (красная линия) и количество сажи (зеленая линия), которые обеспечивают эффективность катализатора 1 = 1,66 при различных значениях давления (другие переменные: N0 - 54%, ЫОЬ - 46%, КЭХ - 0%)
Таким образом, мы создали многофакторные вычислительные ИНС модели, содержащие в себе все зависимости между эффективностью катализаторов, составом топлива (содержание N0, N0^ КЭХ), содержанием катализаторов и значением давления.
Эти модели позволяют прогнозировать скорость горения (эффективность катализаторов) топлива для любого набора из шести других переменных (прямая задача), а также прогнозировать содержания катализаторов, которые обеспечивают требуемую эффективность катализаторов для любого набора из четырех других переменных (обратная задача).
Совокупность полученных моделей можно рассматривать как наиболее полное описание экспериментальных результатов [3], как инструмент получения новых «экспериментальных» результатов, а также как средство выявления новых зависимостей. В целом эта совокупность представляет собой базу знаний горения катализированных топлив исследуемого типа.
Другие многофакторные вычислительные модели горения энергетических материалов. На сегодняшний день кроме описанных выше моделей мы создали ряд других моделей.
1. Модели «Профиль температуры в волне горения в зависимости от давления или адиабатической температуры». Они позволяют определять температурный профиль волны горения с помощью данных о давлении в камере сгорания или адиабатической температуре горения топлива [4, 6].
2. Модели «Профиль температуры в зависимости от содержания железа и начальной температуры». Они позволяют определять профиль температуры в волне самораспространяющегося высокотемпературного синтеза (СВС) с помощью данных о содержании железа и начальной температуры СВС.
3. Модели «Зависимость скорости горения от теплоты взрыва, давления и начальной температуры» [6]. Эти модели основаны на данных, собранных в [5]. Данные содержат значения скорости горения, начальной температуры и давления для различных типов компонентов топлив: перхлората аммония, октогена, гексогена, СЬ-20 (индийского производства), динитрамида аммония и нитроформата гидразина. Мы добавили к этим данным теплоту взрыва для каждого типа. Полученные модели содержат в себе все зависимости между переменными и позволяют предсказывать зависимость скорости горения от давления и начальной температуры для различных топлив, которые отличаются друг от друга теплотой взрыва.
4. Модели «Зависимость скорости горения от давления и состава топлива» [6]. Эти модели включают все связи между значением скорости горения, с одной стороны, и количеством нитрата аммония, перхлората аммония (ПА), диаметра частиц ПА и давления - с другой. Эти модели позволяют прогнозировать значения скорости горения топлива (прямая задача).
5. Модели «Состав топлива, обеспечивающий требуемое значение скорости горения при различных давлениях» [6]. Эти модели включают все зависимости между количеством ПА и диаметром частиц ПА, с одной стороны, и значением скорости горения, количеством нитрата аммония и значением давления - с другой. Эта модели позволяет прогнозировать состав топлива, обеспечивающий необходимую скорость горения (обратная задача).
Мы создали также несколько других ИНС-моделей сгорания энергетических материалов [2] и несколько ИНС-моделей, связанных с горением в двигателях. Среди них модель «Поющее пламя» и модель «Вибрационное обращенное пламя» [1]. Эти модели описывают условия возбуждения и подавления вибрационного горения в двигателях.
Выводы. 1. Мы считаем, что ИНС являются хорошим инструментом для многомерной аппроксимации экспериментальных функций нескольких переменных.
2. ИНС-модели можно рассматривать как мгновенно вычисляющие специализированные для исследования процессов горения калькуляторы и как простой способ получения «новых» экспериментальных результатов.
3. ИНС-модели обеспечивают быстрый доступ к любым зависимостям между переменными эксперимента, что может быть очень важным с точки зрения наглядно -сти при проведении учебных занятий со студентами.
4. Мы считаем, что создание вычислительных ИНС-моделей на основе экспериментальных данных, а затем и баз знаний является перспективным направлением развития научных и прикладных исследований в области горения.
Новый подход к представлению результатов многофакторных экспериментов (с числом факторов два и более). В результате экспериментальных исследований получены таблицы и семейство графиков, в которых содержаться значения целевой функции эксперимента и факторов (параметров, переменных), от которых зависит целевая функция. Далее возникает вопрос, можно ли увеличить значение полученных экспериментальных данных?
Например, можно ли использовать их для решения обратных задач - определения набора факторов, обеспечивающих требуемое значение целевой функции? Мож-
но ли выйти за пределы таблиц и графиков, предсказать результаты экспериментов, которые еще не были проведены?
Как показывают результаты, представленные в данной статье, возможно уже в ближайшем будущем появится принципиальное изменение в представлении экспериментальных исследований в научных журналах и отчетах по НИР.
Появится требование представления (в качестве приложения к статье или отчету по НИР) исполняемого компьютерного модуля многофакторной вычислительной модели, полученной с помощью искусственных нейронных сетей, обобщающей цифровые результаты эксперимента и позволяющей читателю быстро вычислять значения целевой функции эксперимента при любом наборе конкретных значений факторов, визуализировать любые зависимости, содержащиеся в экспериментальных данных, прогнозировать (экстраполировать) закономерности, содержащиеся в экспериментальных данных.
Если сравнить традиционную форму представления результатов экспериментальных исследований в научной статье (в виде таблиц и графиков) и в виде компьютерного модуля многофакторной вычислительной модели, то можно отметить следующее.
Таблицы позволяют видеть значения целевой функции и значения соответствующих им факторов. Но они не позволяют непосредственно определить промежуточные значения целевой функции при другом наборе параметров, а также выходить за пределы диапазонов табличных данных.
Семейство графиков (например, для функции двух переменных) позволяет видеть зависимость целевой функции в целом, но оно не позволяет видеть зависимость функции при всех наборах двух переменных. И очень трудно представить графически экспериментальную функцию трех переменных и, тем более, функцию большего числа переменных.
Компьютерный модуль многофакторной вычислительной модели эксперимента позволяет решать все вышеперечисленные задачи мгновенно и, кроме того, еще ряд других задач, в частности обратные задачи и задачи получения новых «экспериментальных» результатов без проведения дополнительных экспериментов (задачи прогнозирования).
Необходимо также отметить следующее. Среди задач обработки экспериментальных данных есть задачи, которые в ряде случаев являются обязательными элементами экспериментальных работ и которые могут быть более точно решены с помощью ИНС. Среди них можно отметить, например, задачу нахождения касательной к экспериментальному графику и координаты точки ее пересечения с осью абсцисс, а также задачи нахождения координат точек пересечения экспериментальных графиков с осью ординат или абсцисс, а также другие задачи нахождения особенностей экспериментальных данных.
Литература
1. Абруков В.С., Абрукова Л.С., Троешестова Д.А., Петров А.А. Моделирование закономерностей вибрационного горения с помощью искусственных нейронных сетей // Вестник Чувашского университета. 2011. № 3. С. 178-184.
2. Абруков В.С., Карлович Е.В., Иванов А.Г. Моделирование горения конденсированных систем с помощью средств Data Mining // Вестник Чувашского университета. 2011. № 3. С. 184-189.
3. Денисюк А.П., Демидова Л.А. Особенности влияния некоторых катализаторов на горение баллиститных порохов // Физика горения и взрыва. 2004. № 3. C. 69-76.
4. Application of artificial neural networks for creation of “black box” models of energetic materials combustion / V.S. Abrukov, G.I. Malinin, M.E. Volkov et al. // Advancements in Energetic Materials and Chemical Propulsion. Bellingham: Begell House Inc. of Redding, 2008. P. 377-386.
5. Burning Rate of Solid Propellant Ingredients. P. 1. Pressure and Initial Temperature Effects / A.I. Atwood, T.L. Boggs, P.O. Curran et al. // Journal of Propulsion and Power. 1999. Vol. 15, № 6. P. 740-749.
6. Geation of propellant combustion models by means of data mining tools / V.S. Abrukov, E. V. Karlovich, V.N. Afanasyev et al. // International Journal of Energetic Materials and Chemical Propulsion. 2010. № 9(5). P. 385-396.
АБРУКОВ ВИКТОР СЕРГЕЕВИЧ - доктор физико-математических наук, профессор, заведующий кафедрой прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары ([email protected]).
ABRUKOV VIKTOR SERGEEVICH - doctor of physics and mathematical sciences, professor, head of Applied Physics and Nanotechnology Chair, Chuvash State University, Russia, Cheboksary.
абРуков Сергей Викторович - аспирант кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары ([email protected]).
ABRUKOV SERgEy VICTOROVICH - post-graduate student of Applied Physics and Nanotechnology Chair, Chuvash State University, Russia, Cheboksary.
КАРЛОВИЧ ЕЛЕНА ВАЛЕРЬЕВНА - аспирант кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары (lenka-buzuluk@yandex. ru).
KARLOVICH ELENA VALERIEVNA - post-graduate student of Applied Physics and Nanotechnology Chair, Chuvash State University, Russia, Cheboksary.
СЕМЕНОВ ЮРИЙ ВЛАДИМИРОВИЧ - магистрант кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары ([email protected] ).
SEMENOV YURIY VLADIMIROVICH - master student of Applied Physics and Nanotechnology Chair, Chuvash State University, Russia, Cheboksary.
УДК 621.3.049.77:004.9 ББК 22.36
С.В. АБРУКОВ, А.В. СМИРНОВ СОЗДАНИЕ БАЗЫ ЗНАНИЙ - НОВОЕ НАПРАВЛЕНИЕ ИССЛЕДОВАНИЙ НАНОМАТЕРИАЛОВ И НАНОТЕХНОЛОГИЙ*
Ключевые слова: наноматериалы, нанотехнологии, Data Mining, искусственные нейронные сети, многофакторные вычислительные модели, база знаний.
Цель работы - обратить внимание на необходимость и возможность обобщения экспериментальных данных накопленных в мире наноматериалов в виде базы знаний. База знаний будет представлять собой комплекс, состоящий из базы данных экспериментальных результатов, полученных в мире наноматериалов, и набора многофакторных вычислительных моделей, созданных с помощью средств Data Mining и искусственных нейронных сетей и включающих в себя зависимости между характеристиками наноматериалов и параметрами технологий их получения. В качестве примеров приведены базы данных и многофакторные модели характеристик наноплёнок линейноцепочечного углерода с внедрёнными в них атомами металлов и неметаллов.
S.V. ABRUKOV, A.V. SMIRNOV A CREATION OF KNOWLEDGE BASE IS A NEW RESEARCH DIRECTION OF NANOMATERIALS AND NANOTECHNOLOGIES
Key words: nanomaterials, nanotechnology, data mining, artificial neural networks, multifactor computational models, knowledge base.
The goals of the paper is to pay attention to the time has came to make a generalization from the experimental data accumulated in the world of nanomaterials in a knowledge base. The Knowledge Base will be a complex consisting of a data base of experimental results obtained in all of the nanomaterials world and the whole set of multifactor computational models that will be established on the basis of the data base and will include in itself all connections between the characteristics of nanomaterials and technology parameters of their production. As examples, the paper presents the database and multi-factor models of the characteristics of nanofilms of linear-chain carbon with embedded atoms of metals and non-metals.
В настоящее время в России и в мире накоплено чрезвычайно большое количество экспериментальных данных о свойствах и характеристиках разнообразных наноматериа-
* Исследование выполнено при финансовой поддержке РФФИ (проект № 13-02-97071).
