CC BY
46
DOI: 10.26730/1999-4125-2019-2-87-95 УДК 54.062:004.032.26
КЛАСТЕРНЫЙ АНАЛИЗ РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТАЛЬНОЙ ОЦЕНКИ ВЫХОДА ХИМИЧЕСКИХ ПРОДУКТОВ КОКСОВАНИЯ
CLUSTER ANALYSIS OF RESULTS OF EXPERIMENTAL EVALUATION OF OUTPUT OF CHEMICAL PRODICTS OF COKING
Васильева Елена Вячеславовна,
канд. техн. наук, старший преподаватель, e-mail: [email protected]
Elena V. Vasileva, С. Sc. in Engineering Черкасова Татьяна Григорьевна, доктор хим. наук, профессор, e-mail: [email protected] Tatyana G. Cherkasova, Dr. Se in Chemistry Неведров Александр Викторович, канд. техн. наук, e-mail: [email protected] Aleksandr V. Nevedrov, С. Sc. in Engineering Папин Андрей Владимирович, канд. техн. наук, доцент, e-mail: [email protected] Andrej V. Papin, С. Sc in Engineering Субботин Сергей Павлович, канд. экон. наук, доцент, e-mail: [email protected] Sergej P. Sybbotin, С. Sc. in Economics
Кузбасский государственный технический университет имени Т Ф. Горбачева, 650000, Россия, г. Кемерово, ул. Весенняя, 28
T.F. Gorbachev Kuzbass State Technical University, 28 street Vesennyaya, Kemerovo, 650000, Russian Federation
Аннотация:
Современные компьютерные технологии играют важную роль в модернизации промышленных предприятий, особенно на этапе оценки количественных показателей выхода готовой продукции, поэтому целью данной работы является разработка научно основанного метода прогноза выхода химических продуктов коксования из углей и их смесей на основе характеристик их качества с использованием метода нейросетевого математического моделирования. Показатели качества углей и их смесей определялись стандартными методами технического, петрографического и элементного анализов, а также анализа спекаемости. Выход химических продуктов коксования определялся на основе ГОСТ 18635-73 «Угли каменные. Метод определения выхода химических продуктов коксования». В статье приведены результаты кластерного анализа данных показателей качества углей и выхода из них химических продуктов коксования на примере кокса, каменноугольной смолы, сырого бензола и коксового газа. Данный метод исследований является частью математического анализа данных и необходим для последующего математического моделирования. На основании анализа иерархического дерева исследованных угольных концентратов сделан вывод об их распределении по классам в соответствии с марочной принадлежностью и свойствами, отражаемыми результатами технического, петрографического, элементного анализов и оценки структурных показателей. Показано, что элементы выборки образуют четыре естественных кластера. На основе полученных результатов разработаны модели, позволяющие прогнозировать выход химических продуктов коксования по характеристикам качества исходных углей.
Ключевые слова: уголь, качество угля, химические продукты коксования, кластерный анализ.
Abstract:
Modern computer technologies play an important role in the modernization of industrial enterprises,
especially at the stage of assessing the quantitative indicators of the output of finished products, so the aim of this work is to develop a scientifically based method for predicting the output of chemical coking products from coal and their mixtures based on the characteristics of their quality using the method of neural network mathematical modeling. Quality indicators of coal and coal mixtures were determined by standard methods of technical, petro-graphic and elemental analysis, as well as sintering analysis. The yield of chemical products of coking was determined on the basis of GOST18635-73 «Coals. Method for determining the yield of chemical products of coking». The article presents the results of cluster analysis of these indicators of coal quality and the yield of chemical products of coking on the example of coke, coal tar, crude benzene and coke oven gas. This method of research is part of the mathematical analysis of data and is necessary for subsequent mathematical modeling. Based on the analysis of the hierarchical tree of the studied coal concentrates, it is concluded that their distribution by classes in accordance with the brand identity and properties reflected in the results of technical, petrographic, elemental analysis and evaluation of structural indicators. It is shown that the elements of the sample form four natural clusters. On the basis of the obtained results, models have been developed to predict the yield of chemical coking products according to the characteristics of the quality of the initial coals.
Key words: coal, coal quality, coking chemical products, cluster analysis.
Введение
Современные компьютерные технологии играют важную роль в модернизации промышленных предприятий, особенно на этапе оценки количественных показателей выхода готовой продукции, поэтому целью данной работы является разработка научно основанного метода прогноза выхода химических продуктов коксования из углей и их смесей на основе характеристик их качества с использованием метода нейросетевого математического моделирования [1]. Это особенно важно при нестабильности и разнородности сырьевой базы коксования по технологическим свойствам и неравномерности поставок углей, отрицательно влияющими как на выход и качество кокса, так и на выход химических продуктов коксования [2]. Таким образом, для получения качественного кокса и оценки его выхода необходимо иметь сведения о качественных характеристиках углей, входящих в шихту, и о закономерностях выхода химических продуктов коксования. Поэтому актуальным остается значение оценки ресурсов химических продуктов коксования в углях и шихтах на основании показателей их качества [3].
Целью научного исследования является разработка нового научно обоснованного метода прогноза выхода химических продуктов коксования из углей и их смесей, применяемых для процесса высокотемпературного коксования, на основе параметров, применяемых в производственной практике для оценки их качества.
Для достижения поставленной цели в работе решались следующие задачи:
1. Проведение исследований по определению свойств исходных углей Кузнецкого бассейна и их смесей и выхода из них химических продуктов коксования (на примере кокса, каменноугольной смолы, сырого бензола и коксового газа), математический анализ полученных данных, включающий методы корреляционного, регрессионного, канонического и кластерного анализов. В данной статье приведены результаты одного из самых интересных анализов - кластерного.
2. Выбор основных параметров качества углей и их смесей, влияющих на выход основных химических продуктов коксования, на основе математического моделирования.
3. Разработка нейросетевой математической модели прогноза выхода основных химических продуктов коксования.
Анализ современного состояния исследований в области расчета выходов химических продуктов коксования показывает, что тема прогноза выхода основных химических продуктов коксования полно разработана в применении к отдельным продуктам коксования и практически полностью отсутствуют работы по прогнозу их совместного выхода на основе учета совместного влияния параметров качества. Начало исследованиям в данной области положено Лейбовичем P.E., Обуховским Я.М. и Сатановским С.Я.. Ароновым С.Г. Математические зависимости выхода химических продуктов коксования от химического потенциала угле предложены Гагариным С.Г. Возможность прогнозирования по данным элементного и петрографического анализов углей указана М.Б. Головко. И.Д. Дроздником, Д.В. Мирошниченко, Ю.С. Кафтаном.
Материалы и методы исследования
В ходе исследований кафедрой химической технологии твердого топлива института химических и нефтегазовых технологий Кузбасского государственного технического университета имени Т. Ф. Горбачева совместно с Центральной заводской лабораторией (ЦЗЛ) ПАО «Кокс» (г. Кемерово) проведены исследования параметров качества и выхода химических продуктов коксования для 33 образцов углей и угольных концентратов сырьевой базы ПАО «Кокс». Отбор и подготовка проб проводились ЦЗЛ ПАО «Кокс» согласно ГОСТ 10742-71 «Угли бурые, каменные, антрацит, горючие сланцы и угольные брикеты. Методы отбора и подготовки проб для лабораторных испытаний». Показатели качества углей и их смесей определялись совместно с ЦЗЛ ПАО «Кокс»
стандартными методами технического (ГОСТ Р 53357-2013 «Топливо твердое минеральное. Технический анализ», ГОСТ Р 55661-2013 «Топливо твердое минеральное. Определение зольности», ГОСТ Р 52911-2013 «Топливо твердое минеральное. Определение общей влаги», ГОСТ Р 55660-2013 «Топливо твердое минеральное. Определение выхода летучих веществ», ГОСТ 2059-95 «Топливо твердое минеральное. Метод определения общей серы сжиганием при высокой температуре»), петрографического (ГОСТ Р 55662.2-2013 «Методы петрографического анализа углей. Часть 2. Методы подготовки проб углей», ГОСТ Р 55662.3-2013 «Методы петрографического анализа углей. Часть 3. Метод определения маце-рального состава», ГОСТ 12113-94 «Угли бурые, каменные, антрациты, твердые рассеянные органические вещества и углеродистые материалы. Метод определения показателей отражения») и элементного (ГОСТ 2408.1-95 «Топливо твердое. Методы определения углерода и водорода») анализов, а также анализа спекаемости (ГОСТ 1186-2014 «Угли каменные. Метод определения пластометри-ческих показателей»,
ГОСТ 14056-77 «Угли каменные. Ускоренный метод определения дилатометрических показателей в приборе ИГИ-ДМетИ», ГОСТ 20330-91. Уголь. Метод определения показателя вспучивания в тигле). Выход химических продуктов коксования определялся на основе ГОСТ 18635-73 «Угли каменные. Метод определения выхода химических продуктов коксования».
Полученные результаты подвергнуты математическому анализу с применением ЭВМ, который проводился совместно с кафедрой прикладных информационных технологий института информационных технологий, машиностроения и автотранспорта Кузбасского государственного технического университета имени Т. Ф. Горбачева.
Одним из этапов математического анализа являлся кластерный анализ, проведение которого необходимо для разбиения множества исследуемых объектов и признаков на однородные группы, или кластеры [4]. Это многомерный статистический метод, поэтому предполагается, что исходные данные могут быть значительного объема, то есть существенно большим может быть как количество объектов исследования, так и признаков, характеризующих эти объекты. Большое достоинство кластерного анализа в том, что он дает возможность производить разбиение объектов не по одному признаку, а по ряду признаков [5, 6]. Кроме того, кластерный анализ в отличие от большинства матема-тико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет исследовать множество исходных данных практически произвольной природы [7]. Так как кластеры - это группы однородности, то задача кластерного анализа заключается в том, чтобы на основании признаков объектов разбить их
множество на ш (ш - целое) кластеров так, чтобы каждый объект принадлежал только одной группе разбиения. При этом объекты, принадлежащие одному кластеру, должны быть однородными (сходными), а объекты, принадлежащие разным кластерам, - разнородными. Если объекты кластеризации представить как точки в п-мерном пространстве признаков (п - количество признаков, характеризующих объекты), то сходство между объектами определяется через понятие расстояния между точками, так как интуитивно понятно, что чем меньше расстояние между объектами, тем они более схожи [8, 9].
Деревья классификации - это метод кластерного анализа, позволяющий предсказывать принадлежность объектов к тому или иному классу в зависимости от соответствующих значений признаков, характеризующих объекты. Признаки называются независимыми переменными, а переменная, указывающая на принадлежность объектов к классам, называется зависимой [10]. В отличие от классического дискриминантного анализа, деревья классификации способны выполнять одномерное ветвление по переменными различных типов категориальным, порядковым, интервальным. Не накладываются какие-либо ограничения на закон распределения количественных переменных. По аналогии с дискриминантным анализом метод дает возможность анализировать вклады отдельных переменных в процедуру классификации. Деревья классификации могут быть, а иногда и бывают, очень сложными. Однако использование специальных графических процедур позволяет упростить интерпретацию результатов даже для очень сложных деревьев [11]. Возможность графического представления результатов и простота интерпретации во многом объясняют большую популярность деревьев классификации в прикладных областях, однако, наиболее важные отличительные свойства деревьев классификации - их иерархичность и широкая применимость. Структура метода такова, что пользователь имеет возможность по управляемым параметрам строить деревья произвольной сложности, добиваясь минимальных ошибок классификации [12].
Описание результатов исследования
Для исследуемых углей (табл. 1) проведен кластерный анализ, одним из этапов которого являлось определение возможности построения на основе элементов выборки «естественных» кластеров, которые могут быть проанализированы с помощью иерархической классификации. Наиболее важным результатом, получаемым в результате древовидной кластеризации, является иерархическое дерево. На рис. 1 представлено иерархическое дерево (дендрограмма) для исследуемых угольных концентратов.
ч 5-
№ п/п Наименование пробы Марка % % у<4 % Ив, мм х, мм У> мм ёжх- % % I, % £ОК, % %
1 Ш. «Анжерская-Южная» (обогащенная проба) КО 8,7 17,1 18,8 7 32 11 1,311 13 86 87 0,37 1
2 Ш. «Шахта им. Тнхова» (секция №1) Ж 8,2 32,5 35.4 149 10 37 0,931 76 21 23 0,56 9
3 ОФ «Антоновская» гж 8,3 35,2 38.4 122 50 19 0,821 86 11 13 0,44 6,5
4 «Кузнецкпогрузтранс»(«ш. Абашевская») гж 8,5 33,8 36,9 125 50 24 0,780 86 12 14 0,39 8
5 ЦОФ «Распадская» гж 7,4 35,7 38.6 131 40 20 0,827 83 14 16 0,61 9
6 ЦОФ «Березовская» (ш. «Усковская») гж 5,2 33,7 35,5 103 37 19 0,786 85 12 14 0,44 61Л
7 ЦОФ «Березовская» (ш. «Ерунаковская») гж 6,8 33,2 35,6 121 54 23 0,835 80 17 19 0,44 6
8 ОФ «Черкасовская» ж 9,7 31,3 34,8 136 32 27 0,845 86 12 13 0,86 8
9 ЦОФ «Березовская» (ш. <<|Щромовская») ж 8,6 33,9 37 134 36 28 0,847 85 12 14 0,47 8
10 Ш. «Шахта им. Тнхова», пласт 23 ж 8.4 30,4 33,2 148 13 35 0,911 78 19 21 0,52 т
11 Разрез «Участок Коксовый» к 9,7 17,9 19.8 60 21 14 1,346 56 35 43 0,23 ЪУг
12 УК «Северный Кузбасс» (ОФ «Северная») к 8,5 22,8 24.9 92 32 18 1,193 52 42 47 0,54 4Уг
13 ОФ «Прокопьевская» ко 9,5 23,2 25,5 10 25 10 1,013 42 49 56 0,3 1Л
14 ОФ «Анжерская» ко 10,9 19,8 22 2 6 43 8 1,038 39 49 57 0,37 1Л
15 ЦОФ «Березовская» (ш. «Анж.-Южная» - 70%, КО+ ш. «Бутовская» - 30%, КО) ко 10,2 21,6 24,1 27 42 И 1,01 43 48 56 0,31 1
16 ОФ «Антоновская» (ш. «Полосухннская») гж 9,1 35,6 39.2 120 27 30 0,819 91 8 9 0,78 8
17 ОФ «Распадская» (разрез «Межегейщй») ж 3,8 36,2 37,7 152 -7 45 0,858 96 3 4 0,4 8'/2
18 Ш. «Бутовская», разрезная печь А-3-2 ко 4,5 20,9 21,9 6 44 8 1,005 38 51 58 0,61 1
19 Разрез «Поляны» КС 4 16,3 17 16 39 10 1,517 57 34 40 0,48 3>/2
20 ОФ «Распадская» (ш. «Усковская») гж 5,3 36,6 38.6 114 38 18 0,756 88 10 И 0,43 6^2
21 Ш. «Бутовская», лава А-3, секция 130 ко 5,7 19,5 20,7 5 40 6 1,056 35 60 61 0,43 1
22 Ш. «им. Кирова» г 7 39,2 42,2 114 54 17 0,713 91 9 9 0,39 61Л
23 ОФ «Распадская» (ш. «Абашевская») гж 8,3 33 36 124 35 25 0,847 88 10 12 0,44 т
24 ЦОФ «Березовская» (ш. «Усковская») гж 6 33,4 35,5 81 50 16 0,8 83 14 16 0,44 6
25 УК «Северный Кузбасс» (ОФ «Северная») к 9,3 21,8 24 94 43 17 1,184 47 46 51 0,62 31Л
26 ЦОФ «Березовская» («ш. Бутовская») ко 11,4 20,5 23,1 13 43 10 1,042 43 49 54 0,54 1
27 ОФ «СУЭК-Кузбасс» (ш. «Шахта им. Кирова») г 7,5 38,8 41,9 126 46 19 0,726 93 6 7 0,37 6
28 ЦОФ «Березовская» (ш. «Ерунаковская») гж 9 32,4 35.6 126 30 24 0,856 81 16 18 0,4 7
29 УК «Северный Кузбасс» (ОФ «Северная») к 9,3 21,3 23,5 100 43 17 1,151 60 34 38 0,56 41 2
30 ЦОФ «Березовская» (ш. «Анжерская-Южная» - 60 % + ш. «Бутовская»- 40 %) ос+ко 7 18,9 20,3 12 39 10 1,104 39 52 58 0,39 1
31 Разрез «Черниговский» КС 8,8 18,5 20,3 10 33 10 1,255 38 50 58 0,31 1
32 ОФ «Прокопьевская» к 8.4 21 22.9 24 39 13 1,066 49 50 50 0,35 Г/2
33 ОФ «Кузнецкая» гж+ж 8,4 33,9 37 120 43 24 0,841 82 18 17 0,47 71Л
ч
В5
о\ и ас
ё
ю о
63 о о н ас
I =
ГО
со о
ас
§
8 и
СО
ю X
'
^ гг.
о о
§ 1
ч 3 НЗ
: ь
1 со гг1 тз
8 я
3 о со
' -1 о
нн X
Ё1! 1=1 л
^ о
>
ас я
о я ■ о
Ьо о
§¡1 2 °
I з
сс го р р
ы о
Ь' ?
3 £ 5 ^
в р э«
В5 ■
СС 40
Продолжение таблицы 1 Continuation of table 1
№ п/п Qdaf % Hdaf % Н/С Сар сА fa Kd, % TKd, % NHjd, % WKd, % H2Sd, % co2d, % CmH„ , % C6H6d, % GKd, %
1 90,02 4,74 0,63 30,67 0,82 0,87 85,36 1,19 0,47 1,75 0,22 0,41 0,14 0,59 9,87
2 87,01 5,87 0,81 22,77 0,77 0,72 77,41 4,28 0,56 2,52 0,29 0,54 0,81 1,04 12,55
3 83,61 5,87 0,84 17,34 0,74 0,71 68,49 5,81 0,71 3,7 0,28 1,06 0,82 1,35 17,78
4 84,14 6,06 0,86 18,04 0,74 0,73 71,4 5,22 0,68 3,6 0,14 0,96 0,81 1,13 16,06
5 83,42 5,72 0.82 17,11 0,75 0,71 70,58 5,91 0,6 3,44 0,23 1,19 0,79 1.12 16.14
6 82,65 5,19 0,75 16,20 0,76 0,76 69,88 5,85 0,68 3,32 0,07 1,22 0,72 1,08 17,18
7 84,86 5,28 0,75 19,06 0,77 0,73 73,78 3,63 0,56 4,39 0,11 0,92 0,73 1,04 14,84
8 84,53 5,39 0.77 18,58 0,76 0,75 75,01 3,56 0,54 3,57 0,14 1,22 0,78 0.9 14,28
9 84,2 5,68 0,81 18,12 0,75 0,72 71,47 5,89 0,61 3,38 0,13 0,94 0,96 1,02 15,6
10 86,28 5,61 0,78 21,38 0,77 0,75 76,9 3,78 0,44 3,06 0,09 0,77 0,85 0,92 13,19
11 88,82 4,71 0,64 27,01 0,81 0,87 82,23 1 0,53 1,82 0,12 1,22 0,14 0,41 12,53
12 87,63 4,95 0,68 24,09 0,80 0,83 81,12 3,17 0,52 2,15 0,14 0,55 0,37 0,48 11,5
13 85,99 5,12 0,71 20,87 0,78 0,84 79,15 1,75 0,61 2,45 0,24 1,29 0,42 0,78 13,31
14 88,92 4,46 0,60 27,29 0,82 0,85 82,61 1,42 0,4 1,74 0,06 0,73 0,15 0,4 12.49
15 88,05 5,14 0,70 25,05 0,80 0,83 80,02 2,76 0,55 2,96 0,07 0,73 0,46 0,57 11,88
16 86,19 5,59 0,78 21,22 0,77 0,68 75,17 4 0,46 2,23 0,2 0,67 0,85 1,25 15,17
17 86,38 5,63 0,78 21,56 0,77 0,70 73,89 3,81 0,18 2,52 0,03 0,88 0,95 1,07 16,67
18 89,1 4,46 0.60 27,79 0,82 0,85 81,81 1,97 0,4 2,18 0,08 0,43 0,22 0,52 12,39
19 90,46 4,52 0,60 32,24 0,83 0,89 85,58 1,19 0,46 1,44 0,09 0,43 0,15 0,52 10,14
20 83,39 5,87 0,84 17,07 0,74 0.71 69,91 4,49 0,61 3,76 0,14 1,26 0,94 1,07 17,82
21 88,87 4,39 0,59 27,15 0,82 0,86 82,87 1,8 0,4 2,08 0,09 0,5 0,21 0,44 11,61
22 82,75 5,97 0,87 16,31 0,73 0,68 66,53 5,94 0,65 4,7 0,08 1,53 0,93 1,24 18,4
23 84,85 5,92 0,84 19,04 0,75 0,73 72,38 4,88 0,58 3,85 0,19 0,71 1,02 1,15 15,24
24 84,4 5,71 0,81 18,39 0,75 0,74 72,54 3,61 0,58 4,65 0,31 0,82 0,88 1,01 15,6
25 88,98 4,89 0,66 27,45 0,81 0,83 80,4 2,55 0,43 2 0,23 0,4 0,35 0,46 13,18
26 88,55 5,19 0,70 26,29 0,80 0,84 82,52 1,57 0,36 2,25 0,18 0,44 0,27 0,51 11,9
27 82,14 6,44 0,94 15,64 0,71 0,68 67.63 4,69 0,63 5,53 0,26 1,23 0,99 1.31 17,73
28 84,6 6,07 0,86 18,68 0,74 0,74 74,08 3,64 0,52 3,45 0,2 0,58 1Д 0,98 15,45
29 88,9 6,05 0,82 27,23 0,77 0,83 81,18 2,12 0,43 3,06 0,24 0,34 0,35 0,49 11,79
30 88,53 4,77 0,65 26,24 0,81 0,87 82,77 1,16 0,41 1,91 0,1 0,48 0,25 0,53 12,39
31 89,79 5,03 0,67 29,90 0,81 0,86 83,46 0,99 0,4 1,81 0,08 0,69 0,15 0,51 11,91
32 87,96 5,1 0,70 24,84 0,80 0,85 80,53 1,49 0,49 3,42 0,14 0,97 0,51 0,49 11,96
33 84,5 6,13 0,87 18,54 0,74 0,72 72,77 3,07 0,57 4,84 0,19 0,87 1,01 1,21 15,47
L
Расстояние между классами определялось методом полной связи (наиболее удаленных соседей) - объединяются те кластеры расстояние между самыми отдаленными представителями которых наименьшее [13].
На основе анализа иерархического дерева исследованных угольных концентратов можно заключить, что угли на дендрограмме располагаются по классам в соответствии с марочной принадлежностью. При этом можно видеть два больших класса, характеризующих угли в соответственно менее метаморфизованныс и более метаморфизо-ванные.
Исходя из визуального представления результатов, можно сделать предположение, что элементы выборки образуют четыре естественных кластера. Проверим данное предположение, разбив исходные данные методом К-средних на 4 кластера, и посмотрим значимость различия между полученными группами (рис. 2). Метод К-средних заключается в следующем: вычисления начинаются с к случайно выбранных наблюдений (в нашем случае к = 4), которые становятся центрами групп, после чего объектный состав кластеров меняется с целью минимизации изменчивости внутри кластеров и максимизации изменчивости между кластерами.
После изменения состава кластера вычисляется новый центр тяжести. Алгоритм продолжается до тех пор, пока состав кластеров не перестанет меняться [14, 15].
На основе полученных результатов разработаны модели, позволяющие прогнозировать выход химических продуктов коксования по характеристикам качества исходных углей. Моделирование основано на топологии искусственной нейронной сети, основанной на сети Ворда. Полученные модели представлены в виде компьютерной программы «Интеллектуальная информационная система прогнозирования выхода продуктов коксования», реализующей нейронные сети [16].
Первая часть приложения предназначена для создания и обучения искусственных нейронных сетей (рис. 3), вторая часть - для прогнозирования с использованием созданных ранее сетей (рис. 4). Первую часть приложения для создания сети можно разбить на 2 части: в верхней находятся поля и кнопки, необходимые для создания, обучения и сохранения нейронной сети, а в нижней - графики, необходимые для визуального контроля обучения сети. В главной форме пользовательского приложения отображена средняя относительная
\ Рис. 2. Визуальное представление разбивки исходных данных на кластеры ! Fig. 2. A visual representation of splitting original data into clusters i__________________________________________________________________________
Евклидово расстояние
-50
Ad V v"af Ив у Ro Vt I ?OK sd, SI (f< н"аГ H/C Cap cA fa
Перемен.
-о- Кластер 1 -в- Кластер 2 Кластер 3 -4- Кластер 4
Рис. 1. Иерархическое дерево для исследуемых угольных концентратов Fig. 1. Hierarchical tree for the studied coal concentrates
График средних для кажд. кл.
€ lit!
л
ошибка для выбранной сети, поля для ввода исходных значений и вывода рассчитанных показателей.
Вывод
Представленное в работе разбиение данных на кластеры объясняется тем, что выборка захватывает практически все основные марки коксующихся углей. При кластеризации можно наблюдать
объединение в кластеры углей с близкими значениями показателей качества, характеризующих их марочную принадлежность.
На основании анализа визуального представления разбивки исходных данных на кластеры можно заключить, что объединение исследуемых углей
■0 Прогнозирование выхода летучих соединений
Сырой Бензол Irises Кокс Смола Кол-во нейронов в слое Кол-во эпох
Í5 I Í2000
Кол-во слоев
1
Создать сеть
Добавлять нейрон после
100
Обучить сеть
Кол-во нейронов: 5
Сохранить сеть Открыть сеть
Ошибка на обучающей выборке = 3,738604'/. Ошибка на тестовой выборке= 2,703%
} Проверить
0 8
0.6
0.4
0.2
ф р
"v - • •• •*• ■1 ■!• •
Ответ сети Теор. ответ
0 10 20 30
Рис. 3. Окно приложения для обучения сети Fig. 3. Application window for network training
Прогнозирование выхода продуктов коксования
Файл Справка
Средняя относительная ошибка, %
Кокс Смола Сырой бензол
[обё 18.13 [еда
Входные параметры Vd
□
Газ
X
2,73
OK
17.1
11
87
Cdaf
90.02
Hdaf (для сА) Í4/74
13
Ив
Vdaf
fa
18,8
0,87292429639291'
Очистить
I Рассчитать j
Ответ
Кокс ■ Смола ■ Сырой бензол Газ ■
85,3660919559669 0.99424613758338 0,51628432357636. 9,94855103758276
Рис. 4. Главная форма пользовательского приложения Fig. 4. The main form of the user application
является верным, что подтверждается распределением значений результатов технического, петрографического, элементного анализов и оценки структурных показателей.
На основе полученных результатов разработаны модели, позволяющие прогнозировать выход химических продуктов коксования по характеристикам качества исходных углей. Применение метода прогноза в практике коксохимического
производства показало, что точность прогнозирования метода с использованием полученных нейронных сетей выше известных методов, так как он характеризуется наименьшей средней относительной ошибкой прогнозирования, составляющей соответственно: для кокса - 0,64±0,23 %, для каменноугольной смолы - 19,53±5,25 %, для сырого бензола - 10,02±2,83 %, для коксового газа -5,11±1,34%.
Благодарность ПАО «Кокс» за оказание помощи и сотрудничество
Авторы выражают благодарность коллективу при проведении научных исследований.
СПИСОК ЛИТЕРАТУРЫ
1. Vasileva, Е. V. Predicting the Yield of Coking Products / E. V. Vasileva, V.S. Doroganov, A.B. Piletskaya, T.G. Cherkasova, A.G. Pimonov, N.G. Kolmakov, S.P. Sybbotin, A.V. Nevedrov A.V. Papin, E.A. Koshelev // Coke and Chemistry. - 2017. - Vol. 60. - No. 9. -pp. 356-360.
2. Golovko, M. B. Predicting the Coke Yield and Basic Coking Byproducts: An Analytic Review / M. B. Golovko, D. V. Miroshnichenko, Yu. S. Kaftan // Coke and Chemistry. - 2011. - Vol. 54. - No. 9. -pp. 331-339.
3. Метод прогноза выхода химических продуктов коксования на основе нейросетевой математической модели / Е. В. Васильева [и др.] // Кокс и химия. - 2019. - № 2. - С. 23-30.
4. Кластерный анализ. - Режим доступа: https://ш.wikipedia.org/wiki/Kлacтepный_aнaлиз. [20.02.2019].
5. Значение, цели и задачи кластерного анализа. - Режим доступа: https://studwood.ru/870242/marketing/znachenie_tseli_zadachi_klastemogo_analiza. [20.02.2019].
6. Курс социально-экономической статистики. Под ред. Назарова М.Г. - Режим доступа: https ://www .std72. ru/dir/statistika/kurs_socialno_elikonomicheskoj _statistiki_pod_red_naza-rova_m_g/glava_53_metody_mnogomemogo_statisticheskogo_analiza_i_modelirovanija_socialno_ehko-nomicheskikhJavlenij_2/226-1-0-3906. [20.02.2019].
7. Структурный анализ и его особенности. - Режим доступа: http://life-prog.ru/l_3453_strukturniy-ana-liz-i-ego-osobennosti.html. [20.02.2019].
8. Преимущества нейронных сетей. - Режим доступа: http://www.aiportal.ru/articles/neural-networks/advantages.html. [20.02.2019].
9. Кластерный анализ. - Режим доступа: https://www.statlab.kubsu.ru. [20.02.2019].
10. Обзор методов статистического анализа данных. - Режим доступа: http://statlab.kubsu.ni/node/4. [20.02.2019].
11. Боровиков, В.П. Statistica - Статистический анализ и обработка данных в среде Windows / В.П. Боровиков, И.П. Боровиков. - М.: «Филин», 1997. - 608 с.
12. Деревья классификации. - Режим доступа: http://www.statosphere.ru/textbook/textbook/modules/stclatre.html
13. Пеливан, М.А. Кластеризация методом наиболее удаленных соседей или методом полной связи. - Режим доступа: http://www.tsm.ru/book/elib/pdf/stmu/2015/06.pdf. [20.02.2019].
14. Метод k-средних. - Режим доступа: http://datascientist.one/k-means-algorithm/. [20.02.2019].
15. Кластеризация методом к-средних. - Режим доступа: https://craftapprnobile.co т/кластеризация-ме-тодом-к-средних/. [20.02.2019].
16. Свидетельство 2017662199 Р Ф. Свидетельство о регистрации программы для ЭВМ. Интеллектуальная информационная система прогнозирования выхода продуктов коксования / Е.В. Васильева, А.Б. Пилецкая, B.C. Дороганов, Т. Г. Черкасова, С. П. Субботин, А. В. Неведров, Е.А. Кошеле в, Н.Г. Колмаков. Заявл. 04.09.2017; опубл. 01.11.2017. 1 с.
REFERENCES
1. Vasileva, E. V. Predicting the Yield of Coking Products / E. V. Vasileva, VS. Doroganov, A.B. Piletskaya, T.G. Cherkasova, AG. Pimonov, N.G. Kolmakov, S.P. Sybbotin, A.V. Nevedrov A.V. Papin, E.A. Koshelev // Coke and Chemistry. - 2017. - Vol. 60. - No. 9. -pp. 356-360. (en)
2. Golovko, M. B. Predicting the Coke Yield and Basic Coking Byproducts: An Analytic Review / M. B. Golovko, D. V. Miroshnichenko, Yu. S. Kaftan // Coke and Chemistry. - 2011. - Vol. 54. - No. 9. - pp. 331-339.
(en)
3. Vasileva Е. V. Metod prognoza vyhoda himicheskih produktov koksovaniya na osnove nejrosetevoj ma-tematicheskoj modeli [Method of forecasting the yield of chemical products of coking based on neural network mathematical model] / E. V. Vasileva [i dr.] // Coke and chemistry. - 2019. - № 2. - P. 23-30. (rus)
4. Klasternyj analiz [Cluster analysis]. Access mode: https://ш.wikipedia.org/wiki/Kлacтepный_aнaлиз. [20.02.2019] (rus)
5. Znachenie, celi i zadachi klasternogo analiza [Value, goals and objectives of cluster analysis]. Access mode: https://studvvood.ru/870242/marketing/znachenie_tseli_zadachi_klasternogo_analiza. [20.02.2019]. (rus)
6. Nazarov M.G. Kurs sociarno-ehkonomicheskoj statistiki [Course of socio-economic statistics]. Access mode: https://www.std72.ru/dir/statistika/kurs_socialno_ehta
rova_m_g/glava_53_metody_imwgomernogo_statisticheskogo_analiza_i_modehrovanija_socialno_ehko-nomicheskikhJavlenij_2/226-l-0-3906. [20.02.2019]. (rus)
7. Strukturnyj analiz i ego osobennosti [Structural analysis and its features]. Access mode: http://life-prog.ru/l_3453_strukturniy-analiz-i-ego-osobeimosti.html. [20.02.2019]. (rus)
8. Preimushchestva nejronnyh setej [Advantages of neural networks]. Access mode: http://www.ai-portal.ru/articles/neural-networks/advantages.html. [20.02.2019]. (rus)
9. Klasternyj analiz [Cluster analysis]. Access mode: https://www.statlab.kubsu.ru. [20.02.2019]. (rus)
lO.Obzor metodov statisticheskogo analiza dannyh [Overview of statistical data analysis methods]. Access
mode: http://statlab.kubsu.ni/node/4. [20.02.2019]. (rus)
11.Borovikov V P. Statistica - Statisticheskij analiz i obrabotka dannyh v srede Windows / V.P. Borovikov, I. P. Borovikov. - Moscow: "Filin", 1997. 608 p. (rus)
12.Derev'ya klassifikacii [Classification tree]. Access mode: http://www.statosphere.ru/textbook/text-book/modules/stclatre.html. [20.02.2019]. (rus)
13.Pelivan M.A. Klasterizaciya metodom naibolee udalennyh sosedej ili metodom polnoj svyazi [The clustering of the most distant neighbors or by complete communications]. Access mode: http://www.tstu.rubook/elib/pdf/stmu/2015/06.pdf. [20.02.2019]. (rus)
14.Metod k-srednih [K-means method]. Access mode: http://datascientist.one/k-means-algoritlun/. [20.02.2019]. (rus)
15.Klasterizaciya metodom k-srednih [K-means clustering]. Access mode: https://craftappmo-Ьйе.сош/кластеризация-методом-к-средиих/. [20.02.2019]. (rus)
16.Svidetel'stvo 2017662199 R. F. Svidetel'stvo о registracii programmy dlya EHVM. Intellektual'naya in-formacionnaya sistema prognozirovaniya vyhoda produktov koksovaniya [Certificate 2017662199 RF Certificate of registration of computer programs. Intelligent information system for predicting the output of coking products] / E. V. Vasil'eva, A. B. Pileckaya, V. S. Doroganov, T. G. CHerkasova, S. P. Subbotin, A. V. Nevedrov, E. A. Koshelev, N.G. Kolmakov. Zayavl. 04.09.2017; opubl. 01.11.2017. 1 p. (rus)
Поступило в редакцию 11.03.2019 Received 11 March 2019
