CC BY
9134
Методы искусственного интеллекта и машинного обучения
Список литературы
1. Vikent'ev A. A., Lbov G. S. Setting the metrics and informativeness on statements of experts // Pattern Recognition And Image Analysis. 1997. V. 7, N 2. P. 175-183.
2. Vikent'ev A. A. Distances and Degrees of Uncertainty in Many-Valued Propositions of Experts and Application of These Concepts in Problems of Pattern Recognition and Clustering // Pattern Recognition and Image Analysis. 2014. V. 24, N 4. P. 489-501.
Кластеризация метеорологических данных в зависимости от концентрации взвешенных частиц PM2.5 для выявления неблагоприятных метеорологических условий
О. С. Володько, Е. Д. Карепова
Институт вычислительного моделирования СО РАН Email: olga.pitalskaya@gmail.com DOI: 10.24412/cl-35065-2022-1-01-93
По данным Минприроды России концентрация вредных веществ в атмосфере города Красноярска часто превышает допустимые нормы. Кроме различных антропогенных источников на концентрацию загрязняющих веществ в атмосфере влияют метеоусловия, которые вносят значительный вклад в создание неблагоприятных метеорологических условий (НМУ) [1]. НМУ представляют собой краткосрочное особое сочетание метеорологических факторов, способствующих накоплению загрязняющих веществ в приземном слое атмосферного воздуха. Наибольшую опасность для здоровья человека представляют взвешенные частицы (PM), которые классифицируются в зависимости от их размера [2].
В настоящей работе исследуется зависимость концентрации взвешенных частиц PM2.5 от метеорологических условий.
Для группировки метеорологических параметров и концентраций взвешенных частиц PM2.5 был применен метод кластеризации k-средних, чтобы использовать полученные кластеры в качестве входных переменных для моделей прогнозирования. Метод кластеризации k-средних может помочь выявить скрытую информацию в большом наборе данных, поэтому рассмотрение результатов кластеризации в качестве входных переменных может улучшить качество работы моделей прогнозирования [3].
Работа выполнена при финансовой поддержке Российского научного фонда (код проекта 22-21-20117). Список литературы
1. Eremkin A. I., Kvashin I. M., Unkerov U. I. Regulation of emissions, pollutants into the atmosphere. Moscow: Assoc. of Constr. Univers, 2001.
2. Kaufman Y. J., Tanre D., Boucher O. A satellite view of aerosols in the climate system //Nature. 2002. Т. 419. № 6903. С. 215-223.
3. Elangasinghe, M. A., Singhal, N., Dirks, K. N., Salmond, J. A., Samarasinghe, S., Complex time series analysis of PM10 and PM2.5 for a coastal site using artificial neural network modelling and k-means clustering // Atmos. Environ. 2014. V. 94, P. 106-116.
Predicting flow fields around airfoils and geometry optimization using a graph neural network
G. E. Gusev1, V. A. Travnikov1, I. A. Plokhikh12, R. I. Mullyadzhanov12
1Novosibirsk State University
2Institute of Thermophysics SB RAS
Email: gusgrigoriev@gmail.com
DOI: 10.24412/cl-35065-2022-1-02-37
In this study we apply machine learning methods to the problem of the flow over airfoils which geometry is to be optimized using Graph Neural Network (GNN) and combined optimization methods (Bayesian optimization and gradient based methods).
