Компьютерное прогнозирование эксплуатационных характеристик твердых топлив с использованием интеллектуальных систем Текст научной статьи по специальности «Компьютерные и информационные науки»

КОМПЬЮТЕРНОЕ ПРОГНОЗИРОВАНИЕ ЭКСПЛУАТАЦИОННЫХ ХАРАКТЕРИСТИК ТВЕРДЫХ ТОПЛИВ С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

А.Р. МУХУТДИНОВ, З.Р. ВАХИДОВА, Р.Г. ТАХАВУТДИНОВ Казанский государственный энергетический университет

В настоящее время в энергетике все чаще возникают проблемы, связанные со снижением эффективности электростанций из-за незапланированных

отключений, вследствие отказов оборудования. Причиной являются изменяющиеся характеристики топлива и условий его сгорания. Существующие методы их оценки либо неэффективны, либо слишком дороги и затратны по времени. Применение интеллектуальных систем позволит более успешно решить данную проблему. Цель настоящей работы - показать возможность компьютерного прогнозирования значения одного строго определенного параметра горения твердого топлива, зависящего от различных данных, с использованием интеллектуальных систем.

Введение

Построение математической модели процесса горения твердого топлива существующими методами (интерполяции или аппроксимации) сложно, т.к. это связано с тем, что скорость горения (выходная характеристика) зависит более чем от двух параметров. При этом сложность решения данной задачи резко возрастает и делает невозможным ее программную реализацию. Одним из возможных решений является построение гибкой математической конструкции, функционирование которой определено конечным числом параметров. Метод на основе искусственных нейронных сетей является примером такого подхода [1].

Искусственные нейронные сети - компонент искусственной интеллектуальной системы, в которой для обработки данных используются явления, аналогичные происходящим в нейронах живых существ.

Преимуществами искусственных нейронных сетей являются:

- искусственные нейронные сети могут обучаться любым функциям, важен только объем предоставленных данных и выбор правильной нейронной модели. Таким образом, нейронные сети позволяют избежать использования сложного математического аппарата;

- использование нелинейных функций активации в искусственных нейронных сетях позволяет реализовать задачи с существенными нелинейностями;

- нейронные сети являются самообучаемыми системами. Это означает возможность осуществлять управление в условиях существенных нелинейностей;

- высокая степень параллельности нейронных сетей обеспечивает высокую производительность вычислений;

- архитектура параллельной обработки позволяет нейронной сети функционировать даже при повреждении отдельных элементов сети.

Таким образом, использование искусственной нейронной сети для прогнозирования эксплуатационных характеристик твердого топлива является перспективным.

© А. Р. Мухутдинов, З.Р. Вахидова Проблемы энергетики, 2006, № 1-2

Методика исследования

В работе рассмотрена возможность использования искусственных нейронных сетей, перспективная для аппроксимирования функций, полученных по экспериментальным данным авторов, для прогнозирования, на примере твердых топлив на основе нитрата аммония, эксплуатационных характеристик (в частности, скорости горения), зависимых от следующих факторов и параметров: окружающей среды; давления; соотношения окислителя и горючего; дисперсности окислителя; направления распространения фронта горения; материала оболочки; диаметра заряда; плотности заряда; добавки. Для моделирования искусственной нейронной сети выбрана и применена свободно распространяемая программа NeuroPro. Ее отличает наличие возможности целенаправленного упрощения нейронной сети для последующей генерации вербального описания математической модели. Создана база данных на основе 169 экспериментов в среде MS Access (таблица). Значения экспериментальных данных вводились без предварительной обработки, несмотря на то что по скорости горения наблюдается большой разброс. База данных импортирована в программу NeuroPro, создана нейронная сеть, определены входные и выходные данные, ее структура.

Таблица

Выборка экспериментальных данных по влиянию различных входных ________________ параметров на скорость горения_____________________________

№/№ п/п Окис- литель НА, % Горючее ЭК, % До- бавка, % Плотность ТТ, *103 кг/м3 Давле- ние, МПа Диаметр ТТ, * 10-3м Фракц. состав, *10-6 м Среда Направ- ление горения Материал оболочки Скорость горения, *10° м/с

1 65,00 35 0 1,36 15,6 36 315 0 1 0 0,77

2 70 30 0 1,46 13,6 25 315 0 1 0 1,24

3 70 30 0 1,46 13,2 25 315 0 1 0 1,06

4 70 30 0 1,47 2,5 25 315 0 1 0 0,51

5 70 30 0 1,47 2,9 25 315 0 1 0 0,42

6 70 30 0 1,40 17,7 36 315 0 1 0 0,84

7 70 30 0 1,40 23,6 36 315 0 1 0 2,9

8 70 30 0 1,40 17,6 36 315 0 1 0 2,43

9 71,7 28,3 0 1,48 2,5 36 315 0 1 0 0,54

10 71,7 28,3 0 1,46 3,6 36 315 0 1 0 0,69

11 71,7 28,3 0 1,49 14,8 36 315 0 1 0 1,47

12 71,7 28,3 0 1,49 15 36 315 0 1 0 1,72

13 75 25 0 1,54 3,4 25 315 0 1 0 0,56

14 75 25 0 1,54 5,1 25 315 0 1 0 0,63

15 75 25 0 1,54 14,8 25 315 0 1 0 1,73

16 75 25 0 1,51 14,8 25 315 0 1 0 2,0

17 75 25 0 1,40 16,5 36 315 0 1 0 2,3

18 75 25 0 1,49 21,2 36 315 0 1 0 1,53

19 75 25 0 1,45 20,0 36 315 0 1 0 2,4

20 80 20 0 1,42 14,4 36 315 0 1 0 10,20

21 80 20 0 1,42 26,4 36 315 0 1 0 11,50

22 72 25 3 1,36 0,1 36 315 0 1 0 0,039

23 72 25 3 1,36 1,9 36 315 0 1 0 0,714

- - - - - - - - - - - -

169 72 25 3 1,36 4,0 36 315 0 1 0 1,5

Для расчетов приняты следующие допущения:

1) окружающая среда:

- жидкая среда - "0";

- газовая среда - "1";

2) материал оболочки:

- полимер ПВХ - "0";

- металл - "1 ";

3) направление распространения фронта горения:

- горение сверху вниз - "0";

- снизу вверх - "1".

Эти допущения создают условия для выявления степени влияния ряда параметров входных данных на выходное значение.

Входными данными для обучения (рис. 1) являются: содержание окислителя -нитрата аммония (НА); содержание горючего - эпоксидного компаунда (ЭК); содержание каталитической добавки; плотность; давление; диаметр твердого топлива (ТТ); фракционный состав окислителя; среда; направление распространения фронта горения; материал оболочки.

Выходным параметром является скорость горения (этот параметр зависит от входных данных). Проведено обучение заданной искусственной нейронной сети по заложенному алгоритму, тестирование обученной сети.

NeuroPro 0.25ти

Файл Правка Нейросеть Настройка Окно Help

р|а?| и| х| *| а| «I »1 7 1

. г Без имени

Нейронные сети:

Описание сети:

Файл данных: 0\АдІат\СгаЩРгегіс1 Открыть файл данных

Новая сеть

Создание нейронной сети

Входы и выходы | Структура сети | Поля в файле данных:

Код

Окислитель_НА_%

Г орючее_ЭК_% Добавка, %

Плотность СТТ, г/смЗ Давление, МГа Диаметр СТТ, мм Фракц.состав, мк Среда

Направление горения Материал оболочки

Скорость горения, мм/с

Число входных полей: 10

Число входов сети: 10

Диапазон изменения значений поля: от 0,31 до 33,8

Использование поля:

Поле не числовое и недоступно сети Поле не используется сетью Поле является входным для сети (•' Поле является выходным для сети

гТип значений поля:

Г? Количественный (непрерывный)

С Качественный (дисхретный)

Точность, +

ГоГ

Число входных полей: 1

Число входов сети: 1

Рис. 1. Окно создания нейронной сети

Прогнозировать значение выходного параметра по имеющимся входным данным возможно, если в строке заведомо не указать его значение. Однако если у строки отсутствует хотя бы одно входное поле, то прогноз сети будет отсутствовать.

В процессе работы произведен выбор оптимальной структуры искусственной нейронной сети (определено оптимальное количество слоев - 7 и количество нейронов в слоях: 10; 30; 50; 100; 90; 80; 1) и метод оптимизации (для используемой модели - сопряженные градиенты). Общее число шагов обучения методом

сопряженных градиентов составило 17246 для данной экспериментов (рис. 2).

выборки из 169

Обучение Ме^огкЗ

Число циклов обучения: 17246

Шаг: 0,0001353251

Средняя оценка: О

Правильное решение примеров: 384 из 384

Рис. 2. Окно обучения нейронной сети Основные результаты и их обсуждение

Обученная на ограниченном множестве данных сеть, показав хорошие результаты в процессе тестирования на данных, не использовавшихся в процессе обучения, подтвердила возможность прогнозирования эксплуатационных характеристик твердого топлива данным методом. Результаты тестирования выходного параметра - скорости горения, прогноза и ошибки представлены в табл. (рис. 3). Средняя ошибка составляет 0,057, а максимальная - 0,099.

Рис. 3. Окно тестирования нейронной сети

Достоинством данного подхода является возможность вычисления показателей значимости входных данных, которая отображается в виде гистограммы (в относительных единицах), где наиболее значимому входному параметру соответствует наиболее длинный столбец гистограммы (рис. 4). Порядок значимости влияния на скорость горения будет следующим (убывание сверху вниз):

Сигнал Значимость

| ОКИСЛИТЕЛЬ 0,7844788

ГОРЮЧЕЕ_Э 1

ДОБАВКАК2 0.1828838

ПЛОТНОСТЬ, 0.6445854

ДАВЛЕНИЕ, 0.4062024

ДИАМЕТРСТ ■ 0,2876534

ФРАКЦ_СОСТ ^Ш 0,3167588

СРЕДА 0.625872

НАПРАВЛЕНИ 0,5783536

МАТЕРИАЛ_0 ■¡ВВП

Рис. 4. Окно значимости входов нейронной сети

- содержание горючего (20-*50%);

- содержание окислителя (47*80%);

- материал оболочки (0 или 1);

- плотность твердого топлива [(1,14*1,54)*103 кг/м3];

- среда (0 или 1);

- направление распространения фронта горения (0 или 1);

- давление (0,1*44,0 МПа);

- фракционный состав окислителя [(315*1500)*10-6 м];

- диаметр ТТ [(15*62)*10-3 м];

- содержание каталитической добавки (0*10%).

Выявлено, что материал оболочки оказывает большее влияние на скорость горения, чем плотность, давление и каталитическая добавка. Влияние среды и направления распространения фронта горения занимают среднее положение, а каталитическая добавка занимает низшую ступень. Влияние других параметров на скорость горения закономерно хорошо согласуется с литературными [1-4] и экспериментальными данными авторов.

Таким образом, разработана методика, позволяющая проектировать интеллектуальные программные модули, обучать и тестировать их.

Выводы

1. Показана возможность прогнозирования скорости горения с использованием искусственных нейронных сетей на основании вводимых в программное средство NeuroPro данных:

• о сгораемом материале [рецептура (соотношения окислителя и горючего), добавки, дисперсность окислителя, плотность и диаметр заряда];

• о конструктивных особенностях изделия (материал оболочки, направление распространения фронта горения);

• об окружающих условиях (жидкая или газовая среда, давление).

2. Найдена оптимальная структура искусственной нейронной сети и определен метод оптимизации (сопряженные градиенты), что обеспечивает 100% правильно решенных примеров при 17246 циклах обучения.

3. Разработана методика для решения задач прогнозирования скорости горения твердого топлива, позволяющая проектировать интеллектуальные программные модули, обучать их и тестировать.

4. Показано, что использование нейронных сетей в горении — это новое и перспективное направление.

Summary

Now in power even more often there are the problems connected to decrease(reduction) of efficiency of power stations because of unplanned switching-off, owing to refusals of the equipment. The reason are varied characteristics of fuel and conditions of his(its) combustion. Existing methods of their estimation either are inefficient, or expensive and затратные on time. Application of intellectual systems will allow to solve the given problem more successfully. The purpose of the present work - to show an opportunity of computer forecasting of value of one strictly certain parameter of burning of the firm fuel dependent on the various data with use of intellectual systems.

Литература

1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.- 2-е изд. Стереотип.- М.: Горячая линия - Телеком, 2002.- 382 с.

2. Бахман Н.Н., Беляев А.Ф. Горение гетерогенных конденсированных систем.- М.: Наука, 1967.- 255 с.

3. Глазкова А.П. Катализ горения взрывчатых веществ.- М.: Наука, 1976.- 263 с.

4. Беляев А.Ф. Горение, детонация и работа взрыва конденсированных систем.- М.: Наука, 1968.- 255 с.

5. Андреев К.К. Термическое разложение и горение взрывчатых веществ.- М.: Наука, 1966.- 346 с.

Поступила 07.07.2005