CC BY
24
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Mayer Alexander Vladimirovich, senior researcher at the Federal state budgetary scientific institution of the all-Russian research Institute of hydraulic engineering and melioration named after A. N. Kostyukov, (Russia 127750 Moscow Bolshaya Akademicheskaya str. 44 building 2), candidate of agricultural Sciences, ORKID: номер : https:// orkid.org/1000-0002-0065-8916T.89053378678 э/п vkovniigim@yandex.ru
Информация об авторах Дубенок Николай Николаевич, академик РАН, профессор, заведующий кафедрой «Лесоводство и мелиорация ландшафтов» Российского государственного агроуниверситета - Московской сельскохозяйственной академии им. К.А. Тимирязева (РФ, 127550, г. Москва, ул. Тимирязевская, 49), доктор сельскохозяйственных наук, ORKID: номер https // orkid org/ 0000-0002-9059-9023 т. 89857544488 э/nn. dubenok@mail.ru.
Майер Александр Владимирович, старший научный сотрудник Федерального государственного бюджетного научного учреждения Всероссийского научно-исследовательского института гидротехники и мелиорации им. А.Н. Костюкова, (РФ, 127750, г. Москва, ул. Большая академическая, 44, корпус 2), кандидат сельскохозяйственных наук, ORKID: номер : https:// orkid.org/1000-0002-0065-8916т.89053378678 э/п vkovniigim@yandex.ru
DOI: 10.32786/2071-9485-2020-03-38 COMPUTER IMPLEMENTATION OF FUZZY COGNITIVE MODELS FOR PREDICTING FOOD SECURITY TAKING INTO ACCOUNT IMPORT SUBSTITUTION AND AGRICULTURAL PRODUCTION
A. F. Rogachev12, E. V. Melikhova1, E. N. Antamoshkina1
1Federal State Budget Educational Institution of Higher Education «Volgograd State Agrarian University, Volgograd, Russia
2Federal State Budget Educational Institution of Higher Education «VolgogradState Technical University», Volgograd, Russia
Received 14.06.2020 Submitted 15.08.2020
The article was prepared with the financial support of the RFBR under the project № 19-07-01132
Summary
The article presents the results of computer implementation of fuzzy cognitive models for predicting the integral level of food security. The simulation is implemented using the developed fuzzy cognitive maps using a computer program. The development of cognitive maps Took into account such key factors as production and consumption of agricultural products, environmental conditions and the level of import substitution.
Abstract
Introduction. The relevance of the study is due to the complexity of computer support for cognitive modeling and forecasting food security, taking into account various factors, including import substitution. On the basis of a systemic cognitive approach, the author considers the methodology and structural optimization of software and hardware for assessing and predicting the level of food security, taking into account such consolidated concepts as the share of imports and agricultural production. Materials and methods. The results of a patent study of software and hardware decision support for multivariate cognitive modeling of various socio-economic systems, including the subsystem for analysis and forecasting of food security, according to the classes of the International Patent Classification G 06 F 12/00, 13/40, 13/38, 15 / 40, 17/30; G 06 Q 10/04, 50/00. Basic mathematical relations for impulse modeling of self-development and evolution of the system under study are presented. The functional of the "Strategist" computer system toolkit for the construction and research of cognitive models is presented. Results and Conclusions. Based on the results of the analysis of selected domestic and foreign promising technical solutions (patents of Russian Federation No. 59285 U1, 128746 U1, 2305319, 2310230, etc.), the problems to be solved and tendencies for their improvement are identified. Using the mathematical apparatus for analyzing fuzzy cognitive maps, an example of cognitive mathematical modeling of the evolution of the level of food security is considered, taking into account the mutual influence of enlarged groups of conceptual factors of food security - production, stocks, consumption, the share of food imports, ecology and a number of others. It is
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
shown that conducting a cognitive analysis of the evolutionary patterns of the analyzed socio-economic system allows us to identify trends in their development. The use of the «Strategist» system toolkit for the construction and research of a cognitive model of food security is presented. The ERP for the analysis and forecasting of the level of food security is described, which provides a scenario analysis of the mutual influence of the main concepts, including the level of import substitution. It has been established that the main directions of improving the ERP software and hardware in the field of assessing and predicting the level of food security are increasing the reliability and speed of such systems, as well as optimizing their parameters.
Key words: food security, agricultural production, mathematical modeling, fuzzy cognitive map, software and hardware, forecasting.
Citation: Rogachev A.F., Melikhova E.V., Antamoshkina E.N. Computer implementation of fuzzy cognitive models for predicting food security taking into account import substitution and agricultural production. Proc. of the Lower Volga Agro-University Comp. 2020. 3 (59). 355-365 (in Russian). DOI: 10.32786/2071-9485-2020-03-38.
Author's contribution. All authors of this research paper have directly participated in the planning, execution, or analysis of this study. All authors of this paper have read and approved the final version submitted.
Conflict of interest. The authors declarese no conflict of interest.
УДК 51-74
КОМПЬЮТЕРНАЯ РЕАЛИЗАЦИЯ НЕЧЕТКИХ КОГНИТИВНЫХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПРОДОВОЛЬСТВЕННОЙ БЕЗОПАСНОСТИ С УЧЕТОМ ИМПОРТОЗАМЕЩЕНИЯ И СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРОИЗВОДСТВА
А. Ф. Рогачев1'2, доктор технических наук Е. В. Мелихова1, кандидат технических наук Е. Н. Антамошкина1, кандидат экономических наук
1Волгоградский государственный аграрный университет, Волгоград, Россия
2 Волгоградский государственный технический университет, Волгоград, Россия
Дата поступления в редакцию 14.06. 2020 Дата принятия к печати 15.08.2020
Статья подготовлена при финансовой поддержке РФФИ по проекту 19-07-01132
Актуальность исследования обусловлена сложностью компьютерной поддержки когнитивного моделирования и прогнозирования продовольственной безопасности с учетом различных факторов, включая импортозамещение. На основе системного когнитивного подхода рассмотрены методология и структурная оптимизация программно-аппаратных средств для реализации оценки и прогнозирования уровня продовольственной безопасности (ПБ) с учетом таких укрупненных концептов, как доля импорта и производство сельскохозяйственной продукции. Материалы и методы. Приведены результаты проведенного патентного исследования программно-аппаратных средств поддержки решений при многофакторном когнитивном моделировании различных социально-экономических систем (СЭС), включая подсистему анализа и прогнозирования ПБ, по классам МПК G 06 F 12/00, 13/40, 13/38, 15/40, 17/30; G 06 Q 10/04, 50/00. Приведены базовые математические соотношения для импульсного моделирования саморазвития и эволюции исследуемой системы. Представлен функционал инструментария компьютерной системы «Strategist» для построения и исследования когнитивных моделей. Результаты и выводы. На основе результатов анализа отобранных отечественных и зарубежных перспективных технических решений (патенты РФ №59285 U1, 128746 U1, 2305319, 2310230 и др.) выявлены решаемые проблемы и тенденции их совершенствования. С использованием математического аппарата анализа нечетких когнитивных карт (НКК) рассмотрен пример когнитивного математического моделирования эволюции уровня ПБ, учитывающий взаимное влияние укрупненных групп концептов-факторов ПБ: производство, запасы, потребление, доля продовольственного импорта, экология и ряд других. Показано, что проведение когнитивного анали-
356
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
за закономерности эволюции анализируемой СЭС позволяет выявить тенденции их развития. Приведено использование инструментария системы «Strategist» для построения и исследования когнитивной модели ПБ. Описана ППР для анализа и прогнозирования уровня ПБ, обеспечивающая проведение сценарного анализа взаимного влияния основных концептов, включая уровень импортозамещения. Установлено, что основными направлениями совершенствования программно-аппаратных средств ППР в сфере оценки и прогнозирования уровня ПБ являются повышение надежности и быстродействия таких систем, а также оптимизация их параметров.
Ключевые слова: продовольственная безопасность, прогнозирование сельскохозяйственного производства, когнитивные математические модели, нечеткая когнитивная карта, программно-аппаратные средства.
Цитирование: Рогачев А. Ф. Мелихова Е. В., Антамошкина Е. Н. Оценка и прогнозирование сельскохозяйственного производства и продовольственной безопасности на основе нечетких когнитивных математических моделей. Известия НВ АУК, 2020. 3 (59). 355-365. DOI: 10.32786/2071-9485-2020-03-38.
Авторский вклад. Все авторы настоящего исследования принимали непосредственное участие в планировании, выполнении или анализе данного исследования. Все авторы настоящей статьи ознакомились и одобрили представленный окончательный вариант.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Введение. Обеспечение продовольственной безопасности (ПБ) / Food Security (FS) России характеризуют четыре основные сферы: производство, потребление, импорт и управление запасами, каждая из которых характеризуется множеством частных показателей [6]. В сфере национальной безопасности Российской Федерации обеспечение ПБ является одной из ключевых задач. Без надежного обеспечения сельскохозяйственной продовольственной продукцией, а также системного учета складывающейся доли импорта продовольствия, уровня развития экономики, экологических и других факторов невозможно обеспечить продовольственную независимость и безопасность [1, 2].
Проблемы построения систем поддержки решений (СПР) в сфере обеспечения ПБ на основе математического моделирования, в том числе с использованием когнитивных подходов, обусловлены необходимостью гибкого учета ряда групп факторов и их взаимовлияний при проведении сценарного анализа в процессе прогнозирования эволюции состояния моделируемых систем [6]. Несмотря на известность ряда программно-аппаратных технических средств СПР на основе когнитивного моделирования [4, 5, 8, 12], остаются не полностью решенными задачи обеспечения эргономичности их интерфейсов, надежности и быстродействия при проведении прогнозных вычислений в процессе сценарного анализа. Это обусловливает актуальность настоящего исследования с целью дальнейшего совершенствования подобных систем.
Материалы и методы. Системный анализ множества реализаций технических исполнений компьютерных средств поддержки решений на основе когнитивных технологий и структурно-параметрический синтез осуществлялись с учетом известных подходов, включая защищенных патентами и свидетельствами о регистрации программ для ЭВМ. Патентный поиск с целью отбора технических решений в исследуемой предметной области осуществлялся по классам МПК G 06 F 12/00, 13/40, 13/38, 15/40, 17/30; G 06 Q 10/04, 50/00.
Нечеткие когнитивные карты представляются ориентированными взвешенными графовыми структурами, вершины которых отображают базовые концепты (факторы), а дуги характеризуют связи между ними, при этом «веса» ребер являются вещественными числами, характеризующими степень взаимного влияния концептов, соответствующую лингвистической шкале значимости [7, 10, 11, 13].
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Импульсное моделирование эволюции саморазвития исследуемой системы осуществлялось в соответствии с (1):
x(t) = (I + A + A2 + ... + A)x(0),
(1)
где x(t) - вектор значений концептов размерности n, I — единичная матрица размерности n x n; x(0) — вектор начальных значений концептов размерности n, А = || ву|| - безразмерная нормализованная матрица смежности размерности n x n, t - индекс временного моделирующего импульса.
Численные значения элементов матрицы смежности (размерности n x n) определялись экспертным путем с учетом мнений компетентных в данной области экспертов в системе «Strategist».
Результаты и обсуждение. Некоторые известные технические решения задачи поддержки принятия решений при управлении сложными СЭС [4, 5], отобранные по отечественным и зарубежным источникам, представлены в таблице.
Рассмотрим подробнее основные проблемы поддержки принятия решений (ППР) в исследуемой предметной области и известные подходы к их решению.
Примером успешной реализации когнитивной технологии ППР является система «Игла» [4], содержащая сервер системы, соединенной с базой знаний и системой управления базой знаний, подсистему визуализации, подключенную к системе управления знаниями и к подсистеме согласования, подсистему статического моделирования, с подсистемами визуализации и динамического моделирования, при этом система динамического моделирования подключена к подсистеме управления базой знаний (1).
Таблица - Технические решения систем поддержки решений в сфере управления СЭС Table - Technical solutions for decisión support systems in the field of SES management
Охранный документ / Security document Наименование / Name МПК / IPC Код страны / country code, год / year
№59285 Система мониторинга кризисных ситуаций в социальной сфере / System for monitoring crisis situations in the social sphere G 06 F 12/00 RU, 2006
№4-38021 Система... / System... 11/30, 13/14 JP, 1992
№0505651 Система ППР / Decision support system G 06 F 13/40, 13/38 USA, 1992
№05129083 Система ППР / Decision support system G 06 F 12/00, 15/40 USA, 1992
2305319 Система принятия решений в кризисных ситуациях социальной сферы региона / Decision-making system in crisis situations in the social sphere of the region G 06 Q 50/00, G 06 F 17/30 RU, 2007
2310230 Система мониторинга кризисных ситуаций в социальной сфере / System for monitoring crisis situations in the social sphere G 06 Q 50/00, G 06 F 17/30 RU, 2007
128746 U1 Система поддержки принятия решений в неструктурированных ситуациях / Decision support system in unstructured situations G 06 F 17/30, G 06 Q 10/04 RU, 2013
№ 8539 (ОФАП) Система поддержки принятия решений «ИГЛА» / The system of support of decision-making "IGLA» - RU, 2007
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Структурная схема системы «Игла» приведена на рисунке 1.
Базу знаний (БЗ) системы ППР «ИГЛА» представляет множество когнитивных моделей в форме НКК, экспертно характеризующее различные предметные области. Физическая реализация базы знаний осуществляется посредством разработки структуры базы данных и ее наполнения.
Важным этапом формирования НКК является согласование относительно формального описания структуры с параметрами моделируемой предметной области. С целью обеспечения эффективного взаимодействия различных экспертов СППР «ИГЛА» построена по архитектуре «клиент - сервер», обеспечивающей их коллективную работу с удаленных терминалов при сохранении централизованного контроля процессов и результатов упомянутого согласования экспертных суждений.
Рисунок 1 - Структурная схема и архитектура системы «ИГЛА» Figure 1 - Block diagram and architecture of the «IGLA» system» [4]
Также известна «Система мониторинга кризисных ситуаций в социальной сфере» (патент РФ на ПМ №59285), содержащая блоки: прием запросов экспертов 1, прием данных об уровне социальной напряженности 2, прием записей БД 3 сервера, селекция адресов 4, идентификация источников информации 5, подсчет интегральной социально-экономической напряженности 6, селекция циклов опроса источников информации 7 упомянутой напряженности (рисунок 2).
Рисунок 2 - Блок-схема реализации системы ППР Figure 2 - Block diagram of the decision support system implementation
359
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Небольшим недостатком описанной системы является невысокая ее надежность в процессе принятия решений по прогнозированию социальной напряженности в обществе, определенной ограничениями, обусловленными неструктурированными ситуациями общественной жизни.
Известно модифицированное техническое решение, включающее следующие блоки (рисунок 3): прием записей планов, прием запросов от пользователей, приема записей планов БД сервера, селекция опорных адресов плана и считывания, селекция адреса пользователя, формирования текущего адреса плана, сумматоры (1-й и 2-й), формирование адреса временного периода анализа, формирование адресов БД сервера, управление записью и считыванием, а также блок вывода информации (пат. РФ 2305319).
Негативной стороной модифицированной СППР является недостаточно высокое быстродействие, связанное с тем, что поиск хранимых показателей проводится по всему массиву БД, что увеличивает затраты времени, необходимого для поиска информации и ее анализа.
Рисунок 3 - Блок-схема реализации модифицированной системы ППР Figure 2 - Flowchart for implementing a modified decision support system
Таким образом, несмотря на ряд известных схем программно-аппаратной реализации СППР, существует проблема повышения их надежности и быстродействия.
Известны и другие варианты реализации систем ППР для прогнозирования продовольственной безопасности на основе нечетких когнитивных моделей, учитывающих ряд факторов, включая сельскохозяйственное производство и уровень импортозамеще-ния, в частности, система «Стратегист». Алгоритм применения когнитивной технологии оценки уровня ПБ на основе автоматизированного построения нечеткой когнитивной карты в системе «Стратегист» показан на рисунке 4.
Для численного моделирования были отобраны следующие укрупненные группы, предусматривающие дальнейшую декомпозицию: 1 - экономическая инфраструктура; 2 - запасы продовольственных продуктов; 3 - экология; 4 - импорт; 5 - потребление; 6 - производство; 7 - интегральный уровень продовольственной безопасности. Граф взаимосвязи укрупненных концептов когнитивной модели такой системы представлен на рисунке 4.
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Рисунок 4 - Граф взаимосвязи укрупненных концептов когнитивной модели ПБ Figure 4 - Graph of the relationship between the enlarged concepts of the FS cognitive model
Согласно представленному графу, сформирована НКК-модель, весовые коэффициенты которой получены экспертно с использованием встроенного инструментария системы «Strategist», реализованного на вкладках «Взаимовлияние факторов» и «Матрица взаимовлияния» (рисунок 5). Значения нормализованных к единице весов характеризуют силу взаимовлияния концептов, оцениваемую экспертно, при этом отсутствие чисел в соответствующих клетках соответствует отсутствию статистически значимого взаимного влияния, что существенно упрощает нечеткую когнитивную модель и, особенно, ее интерпретацию.
Рисунок 5 - Матрица взаимного влияния укрупненных групп факторов
системы обеспечения ПБ
Figure 5 - Matrix of mutual influence of enlarged groups of factors in the food security system
361
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Таким образом, с использованием функционала инструментария системы «Strategist» построена когнитивная модель для ППР анализа и прогнозирования уровня ПБ, обеспечивающая проведение сценарного анализа влияния основных концептов, в частности, уровня импортозамещения.
Модель обеспечивает гибкое дополнение новыми концептами, корректировку коэффициентов их взаимовлияния, проведение анализа показателей системы и ее эволюцию в процессе само- и управляемого развития в рамках сценарного анализа прогнозирования уровня ПБ.
Выводы. Проведенный анализ программно-аппаратных средств поддержки когнитивного моделирования в сфере прогнозирования уровня ПБ выявил ключевые проблемы, требующие решения и исследования:
1. Известные технические решения для реализации математического аппарата когнитивного моделирования обеспечивают возможность компьютерной поддержки выявления тенденций и прогнозирования развития исследуемых систем, а также последствий управленческих решений, с моделированием некоторых результатов, которые сложно прогнозировать экспертными методами при росте количества учитываемых концептов.
2. Получаемые численные результаты прогнозирования тенденций развития моделируемых СЭС являются приближенными, что обусловлено нечеткостью используемого подхода и применяемых оценочных шкал. Прогнозы могут оказаться недостаточно надежными, в частности, при близости значений положительных и отрицательных взаимовлияний в случае малых значений вычисляемых консонансов.
3. Основными направлениями совершенствования программно-аппаратных средств ППР в сфере оценки и прогнозирования уровня ПБ являются повышение надежности и быстродействия таких систем, а также оптимизация их параметров.
Библиографический список
1. Башлыков А. А. Когнитивное управление как новая парадигма для построения интеллектуальных систем человеко-машинного управления сложными и экологически опасными объектами и технологиями // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2013. №2. С. 15-21.
2. Васильев В. И., Вульфин А. М., Кудрявцева Р. Т. Анализ и управление рисками информационной безопасности с использованием технологии когнитивного моделирования // Доклады ТУСУРа. 2017. Т. 20. № 4. С. 61-66. Doi: 10.21293/1818-0442-2017-20-4-61-66.
3. Рогачев А. Ф., Мелихова Е. В., Руденко А. Ю. Оценка и прогнозирование сельскохозяйственного производства и продовольственной безопасности на основе нечетких когнитивных математических моделей // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2019. № 4 (56). С. 246-255. Doi: 10.32786/20719485-2019-04-29.
4. СППР "ИГЛА" [Электронный ресурс]. Режим доступа: http://iipo.tu-bryansk.ru/quill/index.html (19.11.2019).
5. Страничка проф. Е.В. Луценко. Сайт Научного журнала КубГАУ. URL: http://ej.kubagro.ru/a/viewaut.asp?id=11.
6. Antamoshkina E. N., Rogachev A. F. Methodical approach to food security assessment and forecasting // Advances in economics, business and management research: proceedings of the Volgograd State University International Scientific Conference "Competitive, Sustainable and Safe Development of the Regional Economy" (CSSDRE 2019), 2019. P. 184-187.
7. Chrysafiadi K., Virvou M. A Knowledge Representation Approach Using Fuzzy Cognitive Maps for Better Navigation Support in an Adaptive Learning System // SpringerPlus. 2013. Issue 2:81. P. 1-13.
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
8. Gavriliuk E. A., Mantserov S. A. Fuzzy reliability model of systems for decision support in technical diagnostics // Fuzzy Technologies in the Industry - FTI 2018: proceedings of the II International Scientific and Practical Conference, 2018. P. 222-234.
9. Ginis L. A., Gorelova G. V., Kolodenkova A. E. Cognitive and simulation modeling of regional economic system development // International Journal of Economics and Financial Issues.
2016. V. 6. № S5. P. 97-103.
10. Isaev R. A., Podvesovskii A. G. Generalized Model of Pulse Process for Dynamic Analysis of Sylov's Fuzzy Cognitive Maps // CEUR Workshop Proceedings of the Mathematical Modeling Session at the International Conference Information Technology and Nanotechnology (MM-ITNT 2017), 2017. Vol. 1904. P. 57-63.
11. Knight CR. J. K., Lloyd D. J. B., Penn A. S. Linear and Sigmoidal Fuzzy Cognitive Maps: An Analysis of Fixed Points. https://pdfs.semantiescholar.org/ (01.09.2017).
12. Korshunov G. A., Lipatnikov V. A., Shevchenko A. A. Decision support systems for information protection in the management of the information network // Fuzzy Technologies in the Industry -FTI 2018: proceedings of the II International Scientific and Practical Conference, 2018. P. 418-426.
13. Osoba O. A., Kosko B. Fuzzy Cognitive Maps of Public Support for Insurgency and Terrorism // Journal of Defense Modeling and Simulation: Applications, Methodology, Technology.
2017. Vol. 14 (1). P. 17-32.
14. Outlier detection and classification in sensor data streams for proactive decision support systems / M. V. Shcherbakov [et al.] // Journal of Physics: Conference Series. 2017. V. 803. № 1. P. 012143.
15. Papageorgiou E. Fuzzy Cognitive Maps for Applied Sciences and Engineering: From Foundations to Extensions and Learning Algorithms // Springer Science & Business Media. 2014. V. 54. http://www.springer.com/us/book/9783642397387, свободный (01.09.2017).
16. Rogachev A. F., Antamoshkina E. N. Mathematical modeling of the food-security level using a fuzzy cognitive approach // IOP Conference Series: Earth and Environmental Science - 403, 2019. Doi: 10.1088/1755-1315/403/1/012181.
17. Weikard H. P. Phosphorus recycling and food security in the long run: a conceptual modelling approach // Food Security. 2016. V. 8. Iss. 2. P. 405-414.
Conclusions. The analysis of software and hardware for supporting cognitive modeling in the field of predicting the level of PB revealed key problems that need to be solved and investigated.
1. Well-known technical solutions for implementing the mathematical apparatus of cognitive modeling provide the possibility of computer support for identifying trends and predicting the development of the systems under study, as well as the consequences of management decisions, with modeling of some results that are difficult to predict by expert methods with an increase in the number of concepts taken into account.
2. The numerical results obtained for predicting the development trends of the simulated SES are approximate, which is due to the vagueness of the approach used and the evaluation scales used. Forecasts may not be reliable enough, in particular, if the values of positive and negative interactions are close, in the case of small values of the calculated consonances.
3. The main directions of improving the software and hardware of the PPR in the field of assessing and predicting the level of PB are to increase the reliability and performance of such systems, as well as to optimize their parameters.
Reference
1. Bashlykov A. A. Cognitive management as a new paradigm for building intelligent systems of human-machine control of complex and environmentally dangerous objects and technologies // Automatization, telemechanization and communication in the oil industry. 2013, No. 2. P. 15-21.
2. Vasiliev V. I., Vulfin A. M., Kudryavtseva R. T. Analysis and management of information security risks using the technology of cognitive modeling // Reports of TUSUR. 217. V. 20. No. 4. Pp. 61-66. Doi: 10.21293/1818-0442-2017-20-4-61-66.
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
3. Rogachev A. F., Melikhova E. V., Rudenko A. Yu. Assessment and forecasting of agricultural production and food safety based on fuzzy cognitive mathematical models // Proceedings of the lower Volga agrodiversity complex: Science and higher professional education. 2019. No. 4 (56). Pp. 246-255. Doi: 10.32786/2071-9485-2019-04-29.
4. SPPR "IGLA" [Electronic resource] access Mode: http://iipo.tu-bryansk.ru/quill/index.html (19.11.2019).
5. The page of Prof. E. V. Lutsenko. The website of the Scientific journal of the Kuban state agrarian University. URL: http://ej.kubagro.ru/a/viewaut.asp?id=11.
6. Antamoshkina E. N., Rogachev A. F. Methodical approach to food security assessment and forecasting // Advances in economics, business and management research: proceedings of the Volgograd State University International Scientific Conference "Competitive, Sustainable and Safe Development of the Regional Economy" (CSSDRE 2019), 2019. P. 184-187.
7. Chrysafiadi K., Virvou M. A Knowledge Representation Approach Using Fuzzy Cognitive Maps for Better Navigation Support in an Adaptive Learning System // SpringerPlus. 2013. Issue 2:81. P. 1-13.
8. Gavriliuk E. A., Mantserov S. A. Fuzzy reliability model of systems for decision support in technical diagnostics // Fuzzy Technologies in the Industry - FTI 2018: proceedings of the II International Scientific and Practical Conference, 2018. P. 222-234.
9. Ginis L. A., Gorelova G. V., Kolodenkova A. E. Cognitive and simulation modeling of regional economic system development // International Journal of Economics and Financial Issues.
2016. V. 6. № S5. P. 97-103.
10. Isaev R. A., Podvesovskii A. G. Generalized Model of Pulse Process for Dynamic Analysis of Sylov's Fuzzy Cognitive Maps // CEUR Workshop Proceedings of the Mathematical Modeling Session at the International Conference Information Technology and Nanotechnology (MM-ITNT 2017), 2017. Vol. 1904. P. 57-63.
11. Knight CR. J. K., Lloyd D. J. B., Penn A. S. Linear and Sigmoidal Fuzzy Cognitive Maps: An Analysis of Fixed Points. https://pdfs.semantiescholar.org/ (01.09.2017).
12. Korshunov G. A., Lipatnikov V. A., Shevchenko A. A. Decision support systems for information protection in the management of the information network // Fuzzy Technologies in the Industry - FTI 2018: proceedings of the II International Scientific and Practical Conference, 2018. P. 418-426.
13. Osoba O. A., Kosko B. Fuzzy Cognitive Maps of Public Support for Insurgency and Terrorism // Journal of Defense Modeling and Simulation: Applications, Methodology, Technology.
2017. Vol. 14 (1). P. 17-32.
14. Outlier detection and classification in sensor data streams for proactive decision support systems / M. V. Shcherbakov [et al.] // Journal of Physics: Conference Series. 2017. V. 803. № 1. P. 012143.
15. Papageorgiou E. Fuzzy Cognitive Maps for Applied Sciences and Engineering: From Foundations to Extensions and Learning Algorithms // Springer Science & Business Media. 2014. V. 54. http://www.springer.com/us/book/9783642397387, свободный (01.09.2017).
16. Rogachev A. F., Antamoshkina E. N. Mathematical modeling of the food-security level using a fuzzy cognitive approach // IOP Conference Series: Earth and Environmental Science - 403, 2019. Doi: 10.1088/1755-1315/403/1/012181.
17. Weikard H. P. Phosphorus recycling and food security in the long run: a conceptual modelling approach // Food Security. 2016. V. 8. Iss. 2. P. 405-414.
Authors Information
Rogachev Alexey Fruminovich, head of the Department Department of Mathematical modeling and Informatics of Volgograd state agrarian University (Russia, 400002, Volgograd, Universitetskiy Ave., 26), doctor of technical Sciences, Professor https://orcid.org/0000-0001-6483-6091, rafr@mail.ru Melikhova Elena Valentinovna, candidate of technical Sciences, associate Professor of the Department of Mathematical modeling and Informatics of the Volgograd state agrarian University (26 Universitetskiy Ave., Volgograd, 400002, Russian Federation), https://orcid.org/0000-0002-4041-4270, melv07@mail.ru
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Antamoshkina Elena Nikolaevna , associate Professor of the Department of Social and cultural services and tourism, Volgograd state agrarian University (Russia, 400002, Volgograd, Universitetskiy Ave., 26), candidate of economic Sciences, associate Professor
Информация об авторах Рогачев Алексей Фруминович, зав. кафедрой "Математическое моделирование и информатика" Волгоградского государственного аграрного университета (РФ, 400002, г. Волгоград, пр. Университетский, д.26), доктор технических наук, профессор https://orcid.org/0000-0001-6483-6091, rafr@mail.ru
Мелихова Елена Валентиновна, кандидат технических наук, доцент кафедры «Математическое моделирование и информатика» Волгоградского государственного аграрного университета (РФ, 400002, г. Волгоград, пр. Университетский, д.26), https://orcid.org/0000-0002-4041-4270, melv07@mail.ru
Антамошкина Елена Николаевна, доцент кафедры «Агротуризма и сервисных технологий» Волгоградского государственного аграрного университета (РФ, 400002, г. Волгоград, пр. Университетский, д.26), кандидат экономических наук, доцент, https://orcid.org/0000-0002-1306-616X, antamosh-kina@mail.ru
DOI: 10.32786/2071-9485-2020-03-39 NEW CORROSION INHIBITORS FOR THE PROTECTION OF AGRICULTURAL MACHINERY
12 3
I. A. Uspensky , I. V. Fadeev , L. Sh. Pestrjaeva , Sh. V. Sadatdinov¥, A. S. Kazarin1
1Ryazan State Agrotechnological University named after P.A. Kostychev, Ryazan 2Chuvash State Pedagogical University named after I. Ya. Yakovlev, Cheboksary 3Chuvash State Agricultural Academy, Cheboksary 4Chuvash State University named after I. N. Ulyanov, Cheboksary
Received 17.03.2020 Submitted 15.08.2020
The research was carried out within the framework of the research plan of the Ryazan state University agrotechnological University named after P. A. Kostychev for 2016-2020 on topic 3 "Improvement of technologies, means of mechanization, electrification and technical services in agricultural production " under section 3.3 "Improving the efficiency of mobile agricultural machinery operation through the development of new designs, methods and tools for maintenance, repair and diagnostics" (subsection 3.3.8 " improving efficiency use of mobile agricultural machinery through improvement its technical operation based on innovative methods
Summary
The article presents the results of research of corrosion resistance of steel 10 in a corrosive environment and the influence bortagaray compounds orthoborathexamethylentetramine composition of Н3ВО3С6Ш2Ж and orthoborate-3-amino-1-propanol composition of Н3ВО3•НО(СН2)3NН2. Gravimetric, electrochemical studies and corrosion-fatigue tests have shown that the inhibiting ability of lubricant compositions for conservation treatment of external surfaces of agricultural machinery with the addition of orthoborathexa-methylentetramine and orthoborate-3-amino-1-propanol increases by 1.5 times. The results of laboratory and production tests correlate with each other and allow us to recommend the developed lubricant containing used engine oil, orthoborathexamethylentetramine (orthoborate-3-amino-1-propanol) and water for use to protect agricultural machinery from corrosion during off-season storage.
Abstract
Introduction. Very often, agricultural machinery loses its performance due to corrosion damage. The fight against corrosion in agriculture, where more than 10% of the total metal stock of the country is concentrated and corrosion losses account for 15% of the total losses, is one of the urgent problems. For anti-corrosion protection of parts that are disassembled during the repair of units and assemblies, they are washed with synthetic detergents with the addition of inhibitory additives. When preparing for storage, the outer surfaces of agricultural machinery are preserved with anti-corrosive lubricants, treated with passivating solutions, and anti-corrosive additives are also used. To increase the service life of metal
