Научная статья на тему 'ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВИЗНАЧЕННЯ ЗАЛІЗА В КОАГУЛЯНТІ НА ОСНОВІ НЕЙРОННОЇ МЕРЕЖІ'

ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВИЗНАЧЕННЯ ЗАЛІЗА В КОАГУЛЯНТІ НА ОСНОВІ НЕЙРОННОЇ МЕРЕЖІ Текст научной статьи по специальности «Экономика и бизнес»

CC BY
55
9
i Надоели баннеры? Вы всегда можете отключить рекламу.

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Сафоник Андрій Петрович, Грицюк Іванна Михайлівна, Міщанчук Максим Миколайович, Ільків Ігор Васильович

Розглядаються питання побудови інтелектуальної системи для визначення концентрації заліза в коагулянті за його кольором на базі нейронної мережі. На основі проведеного аналізу різних типів нейронних мереж обрано найбільш відповідну архітектуру нейронної мережі для вирішення задачі визначення концентрації заліза в коагулянті. Описано процес проектування архітектури, дослідження методів навчання, підготовки даних для проведення навчання нейронної мережі для визначення концентрації заліза в коагулянті за його кольором. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, описано активаційні функції. Проаналізовано точність навчання нейронної мережі шляхом порівняння даних, отриманих з використанням різних оптимізаторів, із використанням бібліотеки TensorFlow. Розроблений веб-додаток може бути використаний в якості складової інформаційно-аналітичної системи автоматизованого керування технологічним процесом електрокоагуляційної очистки.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Сафоник Андрій Петрович, Грицюк Іванна Михайлівна, Міщанчук Максим Миколайович, Ільків Ігор Васильович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Information technology of determination of iron in coagulants based on neural network

To determine the iron concentration in the coagulant by its color on the basis of the neural network, the question of building an intelligent system was considered and different types of neural networks were analyzed. During the analysis, the most suitable neural network architecture was selected to solve the problem of determining the concentration of iron in the coagulant. To solve this problem, the architecture design process was described, the analysis of training methods, data preparation for neural network training was carried out, which will further allow determining the iron concentration in the coagulant by its chromaticity. The neural network functioning structural scheme, which input consists, hidden and output layers, is developed, activation functions are described. Accuracy analysis of neural network learning was performed by comparing data obtained using different optimizers using the tensorflow library. Based on the obtained analysis data, a web application was developed that can be used as a component of the automated control information-analytical system of the electrocoagulation treatment technological process.

Текст научной работы на тему «ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВИЗНАЧЕННЯ ЗАЛІЗА В КОАГУЛЯНТІ НА ОСНОВІ НЕЙРОННОЇ МЕРЕЖІ»

Тому можна дти до висновку, що саме цей сервю е невщ'емною складовою мшросервгсно! архгтектури системи i3 пocлiдoвним виконанням функцiй. Step Functions - це вщносно новий продукт AWS, який, бeзcумнiвнo, змiнитъ показники продуктивности дозволивши розбити програ-ми на основн компоненти служби з можливютю манiпулювати кожним i3 цих компонента окремо.

Список лггератури: 1. Ньюмен С. Создание микросервисов. СПб.: Штер, 2018. 304 с. 2. AWS Step Functions: Developer Guide. Режим доступу: https://www.amazon.com/AWS-Step-Functions-Developer-Guide-ebook/dp/B078XBSLY5 3. FowlerM. Microservices. Режим дocтупу:https://martшfowler.com/ articles/ microservices.html 4. Witting A., Witting M. Amazon Web Services in Action. Shelter Island, 2015. 200p. 5. Офщшний сайт С++ Micro Services. - Режим доступу: http://cppmicroservices.org/ 6. Boricha V, Rajani M., AmannaA. Learn AWS Serverless Computing. Packt Publishing, 2019. 174 p. 7. Richardson, C. Pattern: Microservice Architecture // Kong. - Access mode: http://microservices.io/ patterns/microservices.html 8. AWS Step Functions. Режим доступу: https://aws.amazon.com/ru/step-functions/?step-iunctions.sort-by=item.additionalFields.postDateTime&step-functions.sort-order=desc 9. Офщшний сайт Google: Compare AWS and Azure services to Google Cloud. Режим доступу: https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison

Надтшла до редколегИ' 06.05.2021

Ситшкова Полша Едуардiвна, кандидат техшчних наук, доцент, доцент кафедри системо-техтки ХНУРЕ. Наукoвi штереси: Data Mining and Knowledge Discovery, лопчне моделю-вання даних, прийняття piшeнъ в умовах невизначеностг Адреса: Укра1на, 61166, м. Харюв, пр. Науки, 14, тел. (057) 702 10 06; e-mail: polina.sytnikova@nure.ua.

Говдерчак Олексш Павлович, студент групи СПРм-19-2 ХНУРЕ, мапстрант. Наукoвi iнтepecи: розробка програмного забезпечення, розробка аpхiтeктуpи систем. Адреса: Ук-ратна, м. Хаpкiв, 61166, пр. Науки, 14, тел. (057) 702 14 46; e-mail: oleksii.hovderchak@nure.ua.

УДК 004.048:004.89 DOI: 10.30837/0135-1710.2021.177.035

А.П. САФОНИК, 1.М. ГРИЦЮК, М.М. М1ЩАНЧУК, 1.В. 1ЛЬК1В

1НФОРМАЦ1ЙНА ТЕХНОЛОГ1Я ВИЗНАЧЕННЯ ЗАЛ1ЗА В КОАГУЛЯНТ НА ОСНОВ1 НЕЙРОННО1 МЕРЕЖ

Розглядаються питання побудови штелектуально! системи для визначення концентрации залiза в коагулянтi за його кольором на базi нейронно! мережi. На основi проведеного аналiзу рiзних типiв нейронних мереж обрано найбiльш вiдповiдну архiтектуру нейронно! мережi для вирiшення задачi визначення концентрацп залiза в коагулянтi. Описано процес проектування архiтектури, дослiдження методiв навчання, пiдготовки даних для проведення навчання нейронно! мережi для визначення концентраци залiза в коагулянтi за його кольором. Розроблено структурно-функщональну схему нейронно! мережi, яка складаеться iз вхiдного, прихованих та вихiдного шарiв, описано активацiйнi функци. Проаналiзовано точшсть навчання нейронно! мережi шляхом порiвняння даних, отриманих з використан-ням рiзних оптимiзаторiв, iз використанням бiблiотеки TensorFlow. Розроблений веб-дода-ток може бути використаний в якостi складово! iнформаuiйно-аналiтичноi системи автома-тизованого керування технологiчним процесом електрокоагуляцшно! очистки.

1. Вступ

Очищення спчних вод - це одна з проблем сучасного людства. Останшм часом для очищення води набувають популярносп невелик очисш споруди. Оснащення водоочисних споруд такими системами особливо важливе для сшьського господарства, легко! промисло-восп тощо. Але використання реагент1в зумовлюе створення служб забезпечення !х доставки та збер1гання, що е накладним в пор1внянш з електрохiмiчними методами, яю, в свою чергу, дають змогу добувати реагенти на мющ з наявно! сировини. Одним 1з найбшьш перспектив-них метод1в, як надають таку можливють, е метод електрокоагуляци. На даний час все бшьше уваги придшяеться дослщженням цього процесу за допомогою математичних моделей, що допомагае полшшити конструктивш особливосп пристрою та зменшити витрати в експлуатацп, а також прогнозувати ефектившсть процесу в широкому д1апазош операцш з

мшмальними виробничими витратами. Данi дослiдження також е основою для розробки автоматизованих систем керування процесами електрокоагуляцп. Процес отримання коагулянту шляхом електрокоагуляцп включае складнi та дорогi натурш експерименти, що дозво-ляють визначати вмют корисного елементу (залiза) в коагулят! Одним з лабораторних методiв знаходження залiза в коагулянтi е фотоколориметричний метод, який полягае у кшькюному визначеннi концентрацп речовини за допомогою поглинання свiтла у видимш i ближнiй ультрафiолетовiй областi спектра. Даний метод дозволяе точшше i швидше оцшюва-ти якiсть багатокомпонентних сполук. Крiм того, даний метод включають до стандартизова-них методiв визначення вмiсту залiза у вод^ оскiльки iнтенсивнiсть забарвлення води та оптична щiльнiсть середовища змiнюються зi змiною концентрацп залiза. На даний момент практично не юнуе датчиюв для визначення концентрацп залiза в коагулянт в режимi реального часу, тому, актуальною е задача розробки автоматизовано! шформацшно! системи для електрохiмiчного виробництва коагулянту на основi фотоколориметричного аналiзу.

Аналiз публiкацiй за даною тематикою показав, що ряд дослщжень проводилися з викорис-танням фотоколориметрп та фотоколориметричного аналiзу. В робой [1] розроблено цифровий колориметр iз мобiльним додатком на базi iOS з використанням теорп Евклща для визначення вмiсту. Цей додаток виявляе кольоровi компоненти, запам'ятовуючи дат щодо червоного, зеленого та синього кольорiв, а також розраховуючи значення вiдтiнку, насиченостi, яскравостi за допомогою стандартное' теорп кольорiв. Простий i досить ефективний метод визначення концентрацп залiза у зразках води зпдно з правилами United States Environmental Protection Agency висвгтлюеться в робой [2]. В дослщжент [3] вмют зашза у водi визначали за допомогою цифрово1 колориметрп зображення з використанням веб-камери. Для отримання рiвняння, що описуе залежнiсть вмюту залiза вiд кольору, на основi вiдтiнкiв червоного, зеленого та синього, а також !х насиченостi та прозоросп був використаний метод найменших квадратiв. Два методи визначення концентрацп хрому (Cr) та залiза (Fe) описанi в [4]. Вс цi дослiдження базуються на випробуваннях, спрямованих на визначення концентрацп в лабораторп, якi е дуже дорогими i трудомiсткими. У роботi [5] було розроблено портативний пристрiй, який дозволяе проводити колориметричний аналiз на мющ та пропонуе широку доступнють з обмеженими ресурсами. У робот [6] описуеться розробка мобiльного шструменту колориметричного аналiзу - PhotoMetrix, який використовуе прост методи лшшно1 регресп для одновимiрного аналiзу та анашзу основних компонентiв для багатовимiрного анашзу дослiджень. Ui зображення фiксуються основною камерою пристрою та перетворюються на червош, зелеш та синi пстограми.

2. Постановка задачi

З огляду на те, що при змш концентрацп залiза у водi змшюеться колiр та iнтенсивнiсть забарвлення розчину, розроблену нами експериментальну установку для лабораторних дослщжень було виршено доповнити автоматизованою iнформацiйною системою, що забезпечить визначення концентрацп зашза у водi за змiною кольору та штенсивносп свiтлового потоку в реальному часг З цiею метою було виршено розробити штучну нейронну мережу для визначення концентрацп зашза в коагулянта Для розробки тако1 мереж необхiдно вирiшити ряд задач, а саме: провести анашз рiзних типiв нейронних мереж та обрати найбшьш вщповщ-ну аритектуру нейронно1 мережi для вирiшення задачi визначення концентрацп зашза в коагулянтi; описати процес проектування архiтектури, дослiдження методiв навчання, пiдго-товки даних для проведення навчання нейронно1 мереж1; розробити структурно-функщональну схему нейронно1 мереж1; проанатзувати точнiсть навчання нейронно1 мережi шляхом по-рiвняння даних отриманих з використанням рiзних оптимiзаторiв; розробити веб-додаток, який надасть можливiсть використання розроблено1 нейронно1 мережi як складово1 системи авто-матизованого керування технологiчним процесом електрокоагуляцiйноl очистки.

3. Вир1шення поставленоТ задачi

Для вирiшення поставлено1 задачi було розроблено програмне забезпечення для мшро-комп'ютера Raspberry Pi 4 та тд'еднаного датчика кольору TCS230.

На сьогодш iснуе велика кшьюсть рiзних типiв нейронних мереж, а також варiантiв реалi-зацil мереж одного i того ж типу. Серед рiзних видiв нейронних мереж найрозповсюджешшими е: багатошаровий перцептрон; згорткова нейронна мережа; рекурентна нейронна мережа.

Для вибору типу мереж^ що буде використана для виршення задачi визначення залiза в коагулянтi, розглянемо детальшше наведенi типи мереж. 36

Багатошаровий перцептрон (MLP) - це клас штучно! мережу який мае мшмум три шари. Перший - вхщний шар з нейронами вiд Ij до In, другий - прихований шар з нейронами вщ Hj до Hm та третш - вихвдний шар з нейронами вщ Oj до Ok . Ц шари з'еднанi таким чином, що кожен нейрон попереднього шару з'еднаний з кожним нейроном наступного [7] (див рис. 1.).

Прихованих шарiв може бути бшьше нiж один, а мереж1, що мiстять декiлька прихованих шарiв, називають «глибокими» нейронними мережами. Нейронш мережi MLP часто вико-ристовуються для вирiшення проблем класифшацп та прогнозування [8].

Вх1дний шар Прихований шар Вихщний шар

Рис. 1. Багатошаровий перцептрон

Згортковi нейронш мережi - це клас глибоких нейронних мереж, якi широко використову-ються для аналiзу вiзуальних зображень. Таю нейронш мережi використовують матема-тичнi операци згортки. Данi нейронш мережi мають таку ж структуру, як i MPL мережi.

Рекурентш нейроннi мереж - це клас мереж, у яких з'еднання м1ж вузлами утворюють орieнтований у чаш граф. До таких мереж можна вщнести мереж довгостроковоЛ/короткочасно! пам'ят [9] (LSTM). Структура тако! мереж зображена на рис. 2, де нейрони вщ 1} до 1п - це вхвдш нейрони, вщ Н} до Нт - це нейрони прихованого шару iз пам'яттю та можливютю повторення, вщ

01 до 0к - вихщш Такi нейронш мереж часто використовують для анашзу послiдовностi слiв, розпiзнавання мови або рукописного вводу. Даш нейронш мережi погано працюють iз даними, яю представленi у виглядi таблиць.

Задачу визначення концентрацн залiза в коагулянт за його кольором можна вщнести до класу задач розпiзнавання образiв на основi класифшацп вхiдних даних. Найпоширенiшим типом нейронних мереж для такого класу задач е багатошаровi перцептрони.

8х1дний шар

Прихований шар з пам'яттю та повторениям дм

Вихщний шар

Рис. 2. Нейронна мережа LSTM

Розроблена нейронна мережа мае вхщний та вихщний шар, м1ж якими розмiщено два прихованих шари (див. рис. 3). Вхщний шар мае п'ять нейрошв, в якост функци активаци використано гшерботч-ний тангенс. В двох прихованих шарах - по 10 нейрошв з функцями активаци SeLU та ReLU вщповщно. У вихщному шарi 1 нейрон, як функцю активаци використано експоненцшну функщю.

4. Запропонована методолоНя

Рис. 3. Схема розроблено! нейронно! мереж1

Для вибору типу мереж1, яка буде використана для вир1шення проблеми визначення зал1за в коагулянт^ розглянемо типи мереж бшьш детально.

Дня формування навчального та випробувалъного набору даних було проведено лабораторне дослвджен-ня р1зних зpазкiв коагулянта, де виз-начали концентращю зал1за в коагулянт та параметри RBG для кожного з цих зразюв (див. рис. 4).

В якост вхвдних даних для нейронно! мереж1 використовуетъся параметр hue (одна з тръох основних характеристик колъору разом з на-сичешстю i яскрав1стю) з кол1рно!' модел1 HSL. Вих1дним результатом роботи нейронно! мереж1 е кон-

центращя зал1за в коагулянт!.

В таблиц 1 наведеш резулътати експерименталъного досл1дження процесу, а саме: визначення концентрацп загального та тръохвалентного зал1за, сили струму та кол1рност1 речовини в р1зш моменти часу та з1 змшою напруги.

Таблиця1 -

Експериментальш даш

1 2 3 4 5 б 7 8 9 10 Рис. 4. Змша колъору речовини з часом при змш напруги

№ Час (хв) Концентращя (мг / дц3) Червоний Зелений Синш

1 6 0.8 204 207 200

2 12 1.1 214 215 193

3 18 3.7 211 194 75

4 24 4.5 220 173 54

5 30 6.3 210 155 49

6 36 6.9 215 147 41

7 42 9.1 193 116 38

8 48 9.6 189 111 33

9 54 11.8 188 100 27

10 60 12.6 178 74 11

Параметри RGB було конвертовано в параметри HSL, для визначення концентрацп було вибрано параметр Hue.

RGB кол1рний проспр переводиться в HSL з використанням наступних сшвввдношень:

я =

undefined,

6по G - B 60 x

60° x

60° x

60° x

MAX - MIN

G - B

MAX - MIN

G - B

MAX - MIN

G - B

MAX - MIN

_ MAX - MIN S — ■

if MAX _ MIN + 0°, if MAX _ R and G > B

+ 360°, if MAX _ R and G < B

+120°, if MAX _ G

+ 240°, if MAX _ B

(1)

1 -1 - (MAX + MIN)

L _ 2 (MAX + MIN),

(2) (3)

де R, G, B - позначення кольору в колiрнiй моделi RGB; MAX та MIN - максимальне та мшмальне значення параметрiв R, G, B; H - тон; S - насичешсть; L - яскравють.

Далi було виконано апроксимацда експериментальних даних для визначення залежностi значень Hue вщ часу та концентраци залiза в коагулянтi вiд часу. На основi отриманих виразiв було згенеровано 3600 точок Hue та концентраци залiза (див рис. 5. а, б).

а) б)

Рис. 5. Змша а) значень Hue з часом; б) концентраци зал1за з часом

З отриманих точок вибрано 3240 точок для навчання та 360 точок для тестування нейронно! мережг В таблиц 2 наведено вхщт та вихвдш значення параметрiв нейронно! мереж

Для навчання нейронно! мереж в бiблiотецi TensorFlow викорис-товують функци-оитимзатори, якi покращують навчання шляхом оновлення знань у мереж Для того, щоб обрати найкращий оптимза-тор для нейронжл мережi, було розроблено та проаналзовано декшь-ка нейронних мереж з рiзними опIимiзаторами. 1Цалi кожну нейронну мережу було натреновано за допомогою згенерованого датасету.

Було дослiджено 8 оптимiзаторiв, доступних в бiблiотецi TensorFlow. Як видно з таблищ 3, таю ошишзатори, як Ftrl та Adadelta, не впливають на навчання нейронноï мережа Iншi ж

Таблиця 3 -

Дослщження оптимiзаторiв

Оптим1затор SGD RMSprop Adam Adadelta Adagrad Adamax Nadam Ftrl

Похибка 6.91 8.28 9.33 373.22 183.92 9.05 10.84 370.43

Таблиця 2 -Приклад вхщних та вихiдних значень параметрiв нейрон-ноï мережi

№ Hue Концентращя

1 0.2110 0.4009

2 0.1969 0.7229

3 0.1073 4.8701

4 0.0649 9.53 8 8

onTHMÎ3aTOpH, HanpHKnag, SGD Ta RMSprop, HaBnaKH, HaBnaroTb po3po6neHy HeMpoHHy Mepexy. HaMKpa^e ce6e noKa3aB onTHMÎ3aTop SGD 3 noxn6Koro 6.91 % Ha TecTOBOMy garaceTi. Ua noxn6Ka o6nHcnroeTbca aK cepegHboKBagparanHe BigxnneHHa pe3ynbTary po6oTH HeMpoHHoi Mepexi Big anp0KCHM0BaHHx gaHHx.

^k BHgHO 3 pnc. 6, onTHMÎ3aTop SGD gocarHyB TaKoro pe3ynbTary 3a 20 enox (iTepa^M) HaBnaHHa.

npoaHam3yBaBmH mBHgKicTb HaBnaHHa HeMpoHHoi Mepexi, gna BHKopncTaHHa y nporpaMHo-My 3a6e3neneHHi gna BH3HaneHHa кoнцeнтpaцiï 3ani3a b Koarynami 6yno 06paH0 HeMpoHHy Mepexy, HaBneHy 3 gonoMororo onTHMi3aTopa SGD.

0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 l~repanifi

a) Adadelta

iTepai^ta

b) Adam

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 iTepaujfl

6) Adagrad

0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 hrepaiu»

r) Adamax

e) Nadam x) RMSprop

phc. 6. TÜRugKicTb HaBnaHHa HeMpoHHoï Mepexi npu pi3HHx onrHMÎ3aTopax

5. Алгоритм роботи програми

Для зручного доступу до результата вимiрювання датчика та значень концентраций визначених з допомогою нейронно! мереж^ було розроблено веб-додаток, в якосп сервера для якого використано мшрокомп'ютер Raspberry Pi 4. Пщ'еднавши даний комп'ютер до мереж^ за мережевою адресою даного пристрою можна потрапити на веб-панель даного пристрою (див. рис. 7).

Hug

Датчик кольору

GPIO

Рис. 7. 1нтерфейс програми

З допомогою веб-штерфейсу можна запустити процес вимiрювання та побачити iсторiю, а також поточш значення вимiрювання.

Для розробки веб-штерфейсу було використано JavaScript фреймворк Vue .js [10]. Основ-ними критерiям вибору стали простота у використаш та значно менший розмiр порiвняно з аналогiчними React.js та Angular. Для вiдображення даних користувачевi Vue.js використо-вуе менеджер сташв.

В ролi такого менеджера було використано Vuex. Стани в такому менеджерi змшюють-ся за допомогою мутацш, якi, в свою чергу, викликаються з подiй. Такий мехашзм дае можливiсть роздiлити код, який змшюе данi та отримуе !х iз сервера.

Для реатзацп комушкацп iз сервером (див рис. 8.) використовуються дв1 oio.iioTCKH: oio.iioTCKa axios для виконання асинхронних HTTP запитiв та бiблiотека socket.io для роботи iз WebSocket. Серверна частина опитуе датчик кольору за допомогою штерфейсу вве-дення-виведення General-purpose input/output. Потм данi з датчика обробляються нейронною мережею, за допомогою WebSockets вiдправляться на веб-панель та збер^аються в базi даних. В свою чергу, за допомогою HTTP протоколу отримуються даш з юторп вимiрювань та здiйснюеться керування процесами вимiрювання.

Серверна частина програми вщповщае за опиту-вання датчика кольору, визначення концентрацп заль за на основi отриманого кольору, обробку команд користувача, запис отриманих та розрахованих даних в базу даних.

Для розробки серверно! частини було обрано Python-фреймворк Dj ango [11].

З допомогою даного фреймворку було розроблено сервю для визначення та збереження даних.

На його основi було також створено WebSocket-сервер, який дае можливють оновлюва-ти даш на web-панелi в реальному часг

Розглянемо детальнiше роботу серверно! частини програми. Пюля натискання користува-чем кнопки «Run» на веб-панелi на веб-сервер вщправляегься запит, який обробляеться Django.

Сервер

WebSocket

HTTP

1нтерфейс

Рис. 8. Схема комушкацп в систем!

Щц час цього вiдбуваeться валiдацiя даних, яю прийшли в запип, nepeBipxa наявностi вже виконуваного процесу цаного типу. Далi за умови вщсутносп помилок у даних та вщсутносп вже виконуваних процесiв цаного типу створюсться запис в базi про новий запущений процес та вщбуваеться запуск фонового процесу, який опитуе датчик та обробляе отриманi даш.

Пiсля запуску фонового процесу вщбуваеться його iнiцiалiзацiя. Пiц час цього процес пщ'еднуеться до каналу WebSocket-сервера для перецачi даних на веб-панель. Цей самий канал буде використаний для зупинки даного процесу шсля натиснення користувачем кнопки «Stop» на веб-панель

Пюля iнiцiалiзацil (див. рис. 9) запускаеть-ся безкшечний цикл, за одну ¡тсращю якого з iнтервалами в 1 секунду вщбуваються такi ди: опитування датчика кольору; перетво-рення отриманих з датчика RGB параметрiв кольору в параметри HSL; передача параметра hue на вхщ нейронно! мережi, де на його основi отримуеться значення концент-раци залiза в коагулянп; збереження в базi даних та вщправка на веб-панель з допомо-гою WebSocket-сервера значення параметрiв з датчика кольору, конвертованих параметрiв кольору та визначено! концентрацii.

Цикл завершуеться пiсля зупинки його користувачем, обробки сервером вщповщного запиту, вщправки повiцомлення про завер-шення роботи у фоновий процес за допомо-гою WebSocket i оновлення запису в ютори процесiв пiсля завершення його роботи. 6. Висновок

Розглянуто питання створення та засто-сування нейронних мереж для визначення кон-центраци залiза в коагулянтi за його кольо-ром. Було розроблено програмне забезпечен-ня для визначення концентраци залiза в коа-гулянтi у виглядi веб-додатку для вщобра-ження даних вишрювання в реальному часi та збереження ютори вимiрювань. Було розглянуто рiзнi типи нейронних мереж, серед них було обрано нейронну мережу, яка найкраще пщходить для виршення зацачi визначення концентраци залiза за кольором коагулянта. На основi аналiзу оптимiзаторiв бiблiотеки tenthorflow обрано оптимiзатор SGD з похиб-кою 6.91 % на тестовому датасеть Розроблено автоматизовану iнформацiйну систему визначення залiзовмiсного коагулянту на ос-новi фотоколориметричного аналiзу. Система мютить комiрку, через яку зi сталою вит-ратою пропускаеться цослiцжувана рщина, а також блок оброблення та збереження шфор-маци, що дозволяе знизити участь людини в процес вимiрювань i забезпечити безпе-рервнють процесу вимiрювань через вiцсутнiсть потреби у вiдборi проби цослiцжуваного матерiалу, а також зменшити затратнiсть процесу вимiрювань.

Список лiтератури: 1. MasawatP., HarfieldA., Srihirun N., NamwongA. Green Determination of Total Iron in Water by Digital Image Colorimetry // Analytical Letters. Volume 50, Issue 1. 2017. P. 173-185. 2. Sreenivasareddy Annem. Determination of Iron Content in Water // OPUS Open Portal to University Scholarship, Governors State University. Summer. 2017. P. 1-19. 3. Juan A. V. A. Barros, Fagner Moreirade Oliveira, Guilhermede O. Santos, Celio

Рис. 9. Схема процесу

Wisniewski, Pedro Orival Luccas. Digital Image Analysis for the Colorimetric Determination of Aluminum, Total Iron, Nitrite and Soluble Phosphorus in Waters // Analytical Letters. Volume 50. Issue 2. 2017. P. 414-430. 4. FirdausM. L., Trinoveldi W. Alwi, F., RahayuI., RahmidarL., Warsito K. Determination of Chromium and Iron Using Digital Image-based Colorimetry // Procedia Environmental Sciences. Volume 20. 2014. P. 298 - 304. 5. Luka G. S., NowakE., Kawchuk J., HoorfarM, Najjaran H. Portable device for the detection of colorimetric assays // Royal Society Open Science. Volume 4. Issue 11. 2017. 171025. 6. HelferG.A.,Magnus V. S., Bock F. C, TeichmannA., FerraocM. F., A. B. da Costa. PhotoMetrix: An Application for Univariate Calibration and Principal Components Analysis Using Colorimetry on Mobile Devices // Journal ofthe Brazilian Chemical Society. Volume 28. Issue 2. 2017. P. 328-335. 7. Multilayer perception: Theory and Applications / ed.: R. Vang-Mata. New York. Nova Science Publishers, 2020. 153 p. 8. Brownlee J. Whento Use MLP, CNn, and RNN Neural Networks. 2019. URL: https://machinelearmngmastery.com' when-to-use-mlp-cnn-and-rnn-neural-networks. 9. Bernico M. Deep Learning Quick Reference: Useful hacks for training and optimization deep neural networks with TensorFlow and Keras. Birmingham, UK: Packt Publishing, 2018. 10. Hanchett E., Listwon B. Vue.js in Action. Manning Publications, 2018. 304 с. 11. Holovaty A., Kaplan-Moss J. The Definitive Guide to Django. Web Development Done Right. NY, Apress, 2009. 536 p.

Надтшла до редколегИ' 21.05.2021

Сафоник Амдрш Петрович, доктор техтчних наук, професор, професор кафедри автомати-заци, електротехн!чних та комп'ютерно-!нтегрованих технологий Национального утверсите-ту водного господарства та природокористування. Науков! !нтереси: математичне та комп-'ютерне моделювання природних, технолог!чних, техногенних процес1в i систем та !х автома-тизацш. Адреса: Украша, 33018, м. Р!вне, вул. Соборна 11, тел. +38 (050) 378 86 21.

Грицюк ¡вампа Михайшвна, асистент, асистент кафедри компкяерних наук та прикладно! математики Нацюнального ушверситету водного господарства та природокористування. Науков! штереси: математичне та комп'ютерне моделювання природних, технолойчних, техногенних процес!в i систем та к автоматизащя. Адреса: Украша, 33018, м. 1Рвне, вул. Соборна 11, тел. +38 (063) 345 46 11. Мщанчук Максим Миколайович, студент. Науков! iнтереси: математичне та комп'ютерне моделювання природних, технолопчних, техногенних процеав i систем та !х автоматизация. Адреса: Украша, 33018, м. Р!вне, вул. Соборна 11, тел. +38 (098) 083 90 80.

Гльшв 1гор Васильович, аспiрант кафедри вищо! математики Рiвненського державного гуманiтарного ун!верситету. Науковi iнтереси: математичне та комп'ютерне моделювання природних, технолопчних, техногенних процеав i систем. Адреса: Украша, 33017, м. Р!вне, вул. Степана Бандери 12, тел. +38 (093) 487 26 89.

УДК 004.942 DOI: 10.30837/0135-1710.2021.177.043

Д. Е. СИТН1КОВ, Ю.О.АНДР УСЕНКО

РОЗРОБКА МЕТОДУ ФОРМУВАННЯ ЕФЕКТИВНОГО ПЛАНУ П1ДВИЩЕННЯ КВАЛ1Ф1КАЦ11

Досл!джено застосування моделi на основ! згорткових нейронних мереж для задачi прогнозування поширення захворюваност! COVID-19 в Украiн!. Серед сучасних моделей нейронних мереж для дано! задач! обрана InceptionTime на основ! арх!тектури Inception-v4. Досл!дження реал!зовано за допомогою високор!внево! мови програмування Python. Проведено 30 експеримент!в з навчання модел! на вх!дн!й виб!рц! даних з використанням р!зних ознак. Модель продемонструвала високу точн!сть ! швидкод!ю.

1. Вступ

Пандем!я рашше невщомого коронавирусу SARS-CoV-2, що викликае атипову пневмо-шю COVID-19, впливае на життя людей по всьому св!ту. У багатьох кра!нах введен! карантинш обмеження, як! ютотно позначаються на вс!х сощально-економ!чних сферах i свповш економщ в цшому.

Наслщком COVID-19 в Укрш'ш стало пад!ння ВВП i майже повна зупинка д!яльносп у сфер! роздр!бно! торпвл!, готельного та ресторанного б!знесу, ав!аперевезень. В регюнах, де юнуе пом'якшення карантинних обмежень, спостери-аються тки захворюваносп. Через те, що вакцина-щя в!д COVID-19 в Укрш'ш розпочата нещодавно та дов!ра населення до вакцинаци дуже низька, перспективи завершення карантину, а, вщповщно, i нормал!зацл життя населення вщдалеш.

i Надоели баннеры? Вы всегда можете отключить рекламу.