CC BY
2511. Инновационное развитие социо-экономических систем на основе методологий предвидения и когнитивного моделирования / Под ред. Г.В.Гореловой, Панкратовой Н.Д. - Киев: Изд-во «Наукова Думка», 2015. - 464 с.
12. Максимов В.И. Когнитивные технологии - от незнания к пониманию /Сб. трудов 1-й Международной конференции «Когнитивный анализ и управление развитием ситуаций», (САБС'2001). - М.: ИПУ РАН, 2001. - Т.1, С. 4-18.
13. Маркова Н.Е. О государственной молодежной политике в Российской Федерации // Народонаселение. 2013. - С. 14.
14. Макарова О.А. Молодежь в системе регионального государственного управления на современном этапе развития российского общества (на материалах Забайкальского края): монография. - Чита: Изд. ЗабГУ, 2012. - 146 с.
15. Программа для когнитивного моделирования и анализа социально-экономических систем регионального уровня. Свидетельство о государственной регистрации программ для ЭВМ № 2018661506 от 07.09.2018.
16. Roberts F. Graph Theory and its Applications to Problems of Society, Society for Industrial and Applied Mathematics, Philadelphia, 1978.
17. А.А.Саак. Исследование взаимосвязи качества жизни молодежи с социально-экономической средой / Проблемы экономики и юридической практики,2018, №1.
18. А.А. Саак. Причинный анализ и когнитивное моделирование качества жизни молодежи / Вестник адыгейского государственного университета. - 2018, №1. - С. 96-108.
УДК 004.8:519.8+9:519.25
Кацко Дмитрий Игоревич,
студент,
Кацко Александр Игоревич,
студент,
Маций Владимир Сергеевич,
студент
КОГНИТИВНЫЙ АНАЛИЗ ДАННЫХ СТАТИЧЕСКОГО ЗОНДИРОВАНИЯ ГРУНТОВ И КАЧЕСТВО ИХ КЛАССИФИКАЦИИ
Россия, г. Краснодар, ФГБОУ ВО «Кубанский государственный аграрный университет имени И.Т. Трубилина», katsko99@mail.ru, sa_katsko@bk.ru, somvo@mail.ru
Аннотация. Экономическая эффективность строительства во многом зависит от геологических изыскательных мероприятий [5]. В работе исследуются особенности идентификации типа грунта, необходимой для выяснения прочностных характеристик грунта. Приведены когнитивная модель и соответствующая задача линейного
дискриминантного анализа, показавшие эффективность решения задачи классификации.
Ключевые слова: статическое зондирование, грунт, индекс Робертсона, когнитивный анализ, задача классификации, линейный дискриминантный анализ.
Dmitry I. Katsko, Student, Alexander I. Katsko, Student, Vladimir S. Mansi, Student
COGNITIVE DATA ANALYSIS STATIC SENSING OF SOILS AND
THEIR CLASSIFICATION
Russia, Krasnodar, FSBEI HE "Kuban State Agrarian University named after I.T. Trubilin", katsko99@mail.ru, sa_katsko@bk.ru, somvo@mail.ru
Abstract. The economic efficiency of construction depends largely on geological survey activities. The paper investigates the features of the identification of the type of soil needed to determine the strength characteristics of the soil. The cognitive model and the corresponding problem of linear discriminant analysis, which showed the effectiveness of solving the classification problem.
Keywords: the cone penetration test, soil index Robertson, cognitive analysis, task classification, linear discriminant analysis.
Введение. Актуальность изучения механики грунтов обусловлена тем, что знание возможностей использования несущей способности грунтов позволяет правильно, безопасно и экономично принимать решения о проектировании современных промышленных сооружений, жилых зданий, дорожных, земляных, гидротехнических сооружений и т. д. [1, 3, 8] Важным фактором является продолжительность изысканий и проектирования, так увеличение продолжительности инвестиционного цикла на 1 месяц приводит к увеличению стоимости примерно на 2%. Одним из наиболее быстрых (1 - 1,5 часа на 30 м), простых и характеризующихся низкой стоимостью методов изучения грунтовых условий является статическое зондирование, которое дает полную и точную картину структуры слоев грунта, их толщины, глубины залегания скальной основы [5]. Между тем имеют место проблемы, затрудняющие исследования:
- свойства грунта однозначно не выражаются через полученные измерения;
-достоверные методы распознавания литологических разновидностей грунтов дают информацию лишь об отдельных точках исследуемой площадки;
- при сравнении результатов зондирования с результатами, полученными при бурении, шурфовании результаты могут отличаться на 10-
- неоднородность грунта проявляется в значительном разбросе наблюдений при графическом отображении данных;
- одинаковые числовые характеристики могут соответствовать разным видам грунта в разных регионах;
- измерение при помощи зонда имеют временной лаг по мере приближения к кровле нового слоя.
Высокая сложность и неопределенность задачи изучения грунта требует применение системного подхода, позволяющего с более общей точки зрения оценить влияние диффузных характеристик, полученных при статическом зондировании (пенетрации) на определение типа грунта. Для реализации системной идеологии предлагается синтезировать когнитивное моделирование и анализ данных, реализовав таком образом когнитивный анализ данных [4].
1. Когнитивное моделирование процесса классификации почв на основании данных по статическому зондированию грунтов. Для когнитивной структуризации предметной области - определения типа грунтов необходимо выявить наиболее значимые факторы, с учетом взаимного влияния друг на друга. В результате получится когнитивная карта, математическое представление которой - ориентированный граф
где в V - множество вершин, позволяющих описать состояние изучаемой
предметной области; Е - множество дуг, связывающих пары вершин [4,
6, 7, 9]. По результату экспертного опроса, были выявлены следующие концепты:
V1 - дисперсность - неоднородность, раздробленность (разные размеры частиц) [м];
V2 - St- показатель чувствительности (рост) [-]; V3 - OCR - коэффициент переуплотнения (отношение максимального природного давления, действовавшего ранее, к действующему в настоящее время) [-], Характеристики Сжимаемости V4 - т0 - коэффициент сжимаемости, [см2 /кг ]; V5 - Е0 - модуль деформации [МПа]; Прочностные характеристики
20%;
G = < V,E >
V6 - ф - угол внутреннего трения [град.]; V7 - c - сцепление [МПа];
Параметры, измеряемые при погружении зонда в грунт V8 - (^-нормализованное сопротивление под конусом [-]; V9 - Fr - нормализованное фрикционное отношение [%]; VIO - av0 - общее давление пригрузки (природное давление в грунте на рассматриваемой глубине) [Па]; VI1 - 1сг индекс Робертсона (функция типа грунта) [-]; Физические характеристики V12 - w - природная влажность [%];
VI3 - р - плотность грунта в природном сложении [г/см3]; V14 - e - коэффициент пористости [-].
Установление экспертным путем связей между концептами позволило получить когнитивную карту (рис. 1).
Рис. 1. Когнитивная карта С «Фазовое пространство литологического состояния грунта»
Анализ когнитивной карты показал, что существуют 13 574 положительных и 153 отрицательных цикла, то есть модель ¿г структурно устойчива (число ее отрицательных циклов нечетное). Выходом из этой сложной ситуации может быть устранение наименее значимых связей, что позволит разорвать большую часть циклов, с другой стороны подобная ситуация говорит о диффузном характере изучаемой системы показателей состояния грунта. Этот факт может служить основанием для использования статистических методов. В нашем случае, так как классификация грунтов с использованием индекса Робертсона (1С) известна, на первом этапе можно использовать метод классификации с учителем -дискриминантный анализ [2, 6].
2. Статистическая оценка качества классификации грунтов на основании индекса «характеристики типов почв» 1С Робертсона и сопутствующих данных. Один из возможных вариантов характеристики типов почв предложил в 2016 г. Робертсон [5], опираясь на использование индекса характеристики типа грунта
К = >/(3,47- ЩЮУ + ОщРг + Х22У (2)
и соответствующей таблицы классификации (табл. 1).
Изначальной целью изучения грунта является выявление упругих и прочностных характеристик, которые, как уже было указано выше, варьируют даже для одного типа грунта.
Характеристика исходных данных. В качестве базы исходных данных были взяты, представленные в 2019 г. на студенческом конкурсе по «механике грунтов» в Ганновере, значения результатов статического зондирования на глубину 40,4 м, через каждые 0,05 м.
Линейный дискриминантный анализ (Р. Фишера) предполагает, что данные подчиняются многомерному нормальному закону и позволяет решать следующие задачи:
Таблица 1
Классификация типа грунта по Робертсону
Значение индекса Робертсона, !с Тип грунта
4 <1,31 гравий, песок
1,31</с< 2,05 песок
2,05 < /с< 2,60 супесь
2,60 < /с < 2,95 суглинок
2,95 < 1с < 3,60 глина
1с > 3,60 почва
1) Установить закономерность, подчиняясь которой объект относится к одному из классов - часто это линейная функция от признаков.
2) По установленным закономерностям классифицировать новые объекты [2].
В результате применения пакета 8ТАТ1БТ1СА была получена матрица классификации (табл. 2), из которой видно, что второй тип грунта (почва) классифицируются плохо из-за малого количества данных, которые составляют менее одного процента от общего числа наблюдений.
Таблица 2
Матрица классификации (CPT_Ic_data) ( Строки: наблюдаемые классы, столбцы: предсказанные классы)
Процент -правиль. G_1:2 -p=,00866 G_2:3 -p=,23515 G_3:4 -p=,09530 G_4:5 -p=,27351 G_5:6 -p=,38738
G_1:2 42,85714 3 4 0 0 0
G_2:3 88,94736 6 169 15 0 0
G_3:4 93,50649 0 4 72 1 0
G_4:5 71,9457 0 0 28 159 34
G_5:6 99,36102 0 0 0 2 311
Всего 88,36633 9 177 115 162 345
После удаления данных, соответствующих второму классу были получены следующие функции классификации:
«глина»= 4,000 ■ Gvo(kpd) - 9,360 ■ Fr (%) + 1Д74- Qtn (initial) +
;
«суглинок» = 0,OOS avo(k-pa) 10,3Б4 Fr (%) I 1,068■ Qtn (initial) I
;
«СупеСЬ» - Q,007 -^„(fcpe) - 11,823 ■ Fr (%} + 0,988 ■ Qtii (initial) -I;
«песок» = 0,007- avo{kpa) - 11,530- Fr (%} + 1,000- Qtn (initial) +
.
Хорошее качество классификации показывает диаграмма разделения грунтов на классы, где первый канонический корень достаточно хорошо разделяет типы грунтов (рис. 2).
& 0
Кор. 3 от Корня 1 Условие включения: у19>2
дда
о
оО О о 0 8 V-, ^ й>° □
□ е
-4 -3 -2 -1
1 2 3 Кор. 3
о О_1:3
□ О_2:4
7 о О_3:5
д О 4:6
6
6
8
0
4
5
6
Рис. 2. Разделение четырех типов грунтов
Пусть имеются некоторые значения характеристик грунта. К какому типу грунта его отнести? Можно подставить все значения в формулы, приведенные выше, и вычислить классификационное значение. Новый грунт будет относиться к тому классу, для которого классификационное значение максимально. Естественно, классификационные функции могут определяться в электронных таблицах как формулы, и для каждого нового наблюдения вычисляются классификационные метки. Так каждый новый грунт автоматически относится к определенному типу.
Заключение. Когнитивное моделирование показывает сложность задачи изучения грунтов. Выделенные экспертным путем факторы описания состояния грунта сильно взаимосвязаны, как логически (около 14000 циклов), так и корреляционно. Задача изучения грунта является в большой степени неопределенной или диффузной, что предполагает изучение с использованием методов анализа данных, то есть возникает задача когнитивного анализа данных [4]. На первых шагах изучения проблемы нами получена когнитивная модель, которая предполагает дальнейшее совершенствование, а также в первом приближении решена задача классификации грунта по реальным данным, с качеством классификации более 90%.
Список литературы
1. Безуглова Е.В. Оползневой риск транспортных природно-технических систем: монография / Е.В. Безуглова, С.И. Маций, В.В. Подтелков. - Краснодар: Куб-ГАУ, 2015. - 239 с.
2. Боровиков В.П. Популярное введение в современный анализ данных и машинное обучение на statistica м.: горячая линия-телеком, 2018. — 354 с.
3. Добров Э.М. Механика грунтов / Э.М. Добров. - М.: Издательский центр «Академия», 2008. - 272 с.
4. Загоруйко Н.Г. Когнитивный анализ данных / Н.Г. Загоруйко. -Новосибирск.: Академическое изд-во «ГЕО»2012 г. - 186 с.
5. Рыжков И.Б. Статическое зондирование грунтов. Монография / И.Б. Рыжков, О. Н. Исаев. - М.: Издательство Ассоциации строительных вузов, 2010. - 496 с.
6. Модели и методы прикладных системных исследований (практикум) / Коллектив авторов под ред. А.И. Трубилина, И.А. Кацко. - Краснодар: КубГАУ, 2014448 с. (Серия: Вероятность, статистика и прикладные исследования в аграрном университете).
7. Моделирование систем и процессов: учебник для академического бакалавриата / В.Н. Волкова, Г. В.Горелова, В.Н. Козлов и др. Под ред. В.Н. Волковой, В.Н. Козлова. - М.: Изд-во Юрайт, 2014. - 592 с. - Серия: Бакалавр. Академический курс.
8. Маций С.И. Противооползневая защита: монография. - Краснодар: АлВи-дизайн, 2010. - 288 с.
9. Системный анализ и принятие решений: Словарь-справочник / Под ред. В. Н. Волковой, В. Н. Козлова. - М.: Высшая школа, 2004. - 616 с.
УДК 303.732
Горелова Галина Викторовна1,
д-р техн. наук, проф., Лифиренко Антон Владимирович ,
магистрант, Панченко Михаил Андреевич ,
магистрант
ПРИМЕНЕНИЕ КОГНИТИВНОГО МОДЕЛИРОВАНИЯ К
ИССЛЕДОВАНИЮ РАЗВИТИЯ ПРОМЫШЛЕННОСТИ
1Россия, г. Таганрог, Южный федеральный университет 1 gorelova-37@mail.ru,
2 antonlifirenko@gmail.com,
3 mixaaan@gmail.com
Аннотация. В работе рассмотрены вопросы моделирования системы и процессов развития промышленности страны. Целью работы было показать возможности применения когнитивного моделирования сложных систем к исследованию промышленности и политики ее развития и конкурентоспособности. Приведен пример исследования, в котором представлена когнитивная карта и некоторые результаты анализа этой модели. Показаны возможные пути развития ситуаций на когнитивной карте, которые могут быть предложены при разработке соответствующих стратегий развития промышленности. Отличительной чертой работы является применение авторской когнитивной информационной технологии к новому объекту.
Ключевые слова: промышленность, анализ, имитационное когнитивное моделирование, когнитивная карта, развитие ситуаций.
