CC BY
442
Рис. 7 - График распределения перемещений
Выводы
В комплексной программе Autodesk Inventor получили наглядные картины возникших распределений напряжения по Мизесу и картину распределений перемещения в образце при воздействии на нее давления. С увеличением срока эксплуатации месторождений возрастает объем добываемой минерализованной воды, закачанной в пласт для поддержания пластового давления. При этом возрастает опасность внутренней коррозии трубопровода.
Разрушение ряда трубопроводных систем происходит в срок менее одного года после ввода трубопровода в эксплуатацию. Этой проблеме посвящены многочисленные исследования отечественных и зарубежных ученых, однако, в настоящее время она полностью еще нерешена и многие вопросы остаются открытыми.
Максимальное значение напряжения по Мизесу для нефтесборного коллектора с выбранными параметрами коррозионного повреждения составляет 1,5 МПа.
Литература
1 Мустафин Ф.М. Технология сооружения газонефтепроводов. - М.: «Издательство Недра», 2007. - 632 с..
2 Бурков П.В., Буркова С.П., Тимофеев В.Ю., Ащеулова А.А. и Клюс О.В. Анализ напряженно-деформированного состояния трубопровода в условиях вечной мерзлоты Вестник Кузбасского государственного технического университета., 2013. — №. 6., - С. 77-79.
3 P.V. Burkov, D.Y. Chemyavsky, S.P. Burkova, A. Konan Simulation of pipeline in the area of the underwater crossing , IOP Conference Series: E. and Env. Sc. 21 (2014) 1-5.
4 P.V. Burkov, K. G. Kalmykova, S. P. Burkova, T. T. Do, Research of stress-deformed state of main gas-pipeline section in loose soil settlement. IOP Conference Series: E. and Env. Sc. 21 (2014) 5-7.
5 P.V. Burkov, S.P. Burkova, V.Y. Timofeev, Analysis of stress concentrators arising during MKY.2SH-26/53 support unit testing. Appl.ied Mech.anics and Mat.erials: 682 (2014) 216-223.
6 P.V. Burkov, S.P. Burkova, V.Y. Timofeev, Justifying a method of balancing crank-and-rod mechanism of mining roadheader. Applied Mechanics and Materials: 682 (2014) 270-25.
References
1. F.M. Mustafin Gas oil pipe technology. Nedra, Мoscow, 2007.
2. P.V. Burkov, S.P. Burkova, V.Yu. Timofeev, A.A. Ashcheulova, O.V. Klyus Stress and strain state analysis of pipeline under permafrost conditions. Vest. KuzSTU, 6 (2013) 77-79.
3. P.V. Burkov, D.Y. Chemyavsky, S.P. Burkova, A. Konan Simulation of pipeline in the area of the underwater crossing , IOP Conference Series: E. and Env. Sc. 21 (2014) 1-5.
4. P.V. Burkov, K. G. Kalmykova, S. P. Burkova, T. T. Do, Research of stress-deformed state of main gas-pipeline section in loose soil settlement. IOP Conference Series: E. and Env. Sc. 21 (2014) 5-7.
5. P.V. Burkov, S.P. Burkova, V.Y. Timofeev, Analysis of stress concentrators arising during MKY.2SH-26/53 support unit testing. Appl.ied Mech.anics and Mat.erials: 682 (2014) 216-223.
6. P.V. Burkov, S.P. Burkova, V.Y. Timofeev, Justifying a method of balancing crank-and-rod mechanism of mining roadheader. Applied Mechanics and Materials: 682 (2014) 270-25.
Васильева Т.Н1, Мамонова Т.Е.1
1Кандидат технических наук,
Национальный исследовательский Томский политехнический университет МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Аннотация
В статье рассмотрены наиболее популярные методы искусственного интеллекта, проведен краткий анализ систем и сделан вывод о возможных развитиях в ближайшем будущем.
Ключевые слова: экспертная система, нечеткие системы, нейронная сеть.
Vasilyeva T.N.1, Mamonova T.E.1
'Candidate of Technical Sciences National Research Tomsk Polytechnic University ARTIFICIAL INTELLIGENCE METHODS
Abstract
The most popular methods of artificial intelligence were explored, the short analysis of system was carried out and the conclusion about a possible development in the nearest future was drown in the article.
Keywords: expert system, fuzzy systems, neural network.
Введение
Интеллектуальной называется система (рис. 1), способная целеустремленно, в зависимости от состояния информационных входов, изменять не только параметры функционирования, но и сам способ своего поведения, причем способ поведения зависит не только от текущего состояния информационных входов, но также и oт предыдущих состояний системы.
49
Информационные Информационные выходы
входы (поведение системы)
Состояние системы
Рис. 1 - Интеллектуальная система как «черный ящик»
Сегодня искусственный интеллект (ИИ) - это самообучающийся инструмент, усиливающий деятельность человека по генерации и принятию решений.
В настоящее время, за счет достижений в области искусственного интеллекта создано большое количество научных разработок, которое существенно упрощает жизнь людей.
Замена человека-специалиста на системы искусственного интеллекта, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. Опыт показывает, что на сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи [1].
Методы искусственного интеллекта
Перечень реальных методов, применяемых в системах ИИ, широк и трудно классифицируем. Можно выделить две научные школы с разными подходами к проблеме ИИ: конвенционный ИИ и вычислительный ИИ. В конвенционном ИИ используются методы машинного самообучения, основанные на формализме и статистическом анализе. Вычислительный ИИ подразумевает итеративную разработку и обучение.
Методы конвенционного ИИ:
• экспертные системы;
• рассуждение по аналогии (Case-basedreasoning);
• байесовские сети доверия: вероятностные модели, представляющие собой систему из множества переменных и их
вероятностных зависимостей;
• поведенческий подход: модульный метод построения систем ИИ, при котором система разбивается на несколько
сравнительно автономных программ поведения, которые запускаются в зависимости от изменений внешней среды.
Методы вычислительного ИИ:
• нейронные сети;
• нечеткие системы: методики для рассуждения в условиях неопределенности.
• эволюционные вычисления: модели, использующие понятие естественного отбора, обеспечивающего отсеивание
наименее оптимальных согласно заданному критерию решений. В этой группе методов выделяют генетические алгоритмы.
Разберем подробней некоторые методы ИИ.
Экспертная система
Экспертная система - это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.
ЭС создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания узких специалистов [2].
Обобщенная структура экспертной системы представлена на рис. 2.
Интеллектуальный интерфейс пользователя запрос пользователя
4 результат консультации
пользователь
инженер по знаниям
Машина вывода
Решатель Подсистема объяснений
факты
вновь полученные
Интеллектуальный - Факты и знания редактор БЗ
и знания ^факты и знания
выявленные
противоречия
База знаний
Рис. 2 - Структура абстрактной экспертной системы
Структурным отличием ЭС от всех других типов программ является наличие базы знаний и способность к обучению и самообучению. Технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях.
Нечеткие системы
Направление базируется на принципах нечеткой логики и теории нечетких множеств - раздела математики, являющегося обобщением классической логики и теории множеств. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. В общем случае механизм логического вывода в рамках нечеткой логики включает в себя четыре этапа: введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости или дефазификация (рис. 3).
Алгоритмы нечеткого вывода различаются главным образом видом используемых правил, логических операций и разновидностью метода дефазификации[3].
50
Рис. 3 - Механизм нечеткого логического вывода
Нейронная сеть
Нейронная сеть (НС) - это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Она представляет собой действующую модель нервной системы и сходна с мозгом с двух точек зрения: 1) знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения; 2) для накопления знаний применяются связи между нейронами, называемые синаптическими весами.
Искусственная нейронная сеть - это набор нейронов, соединённых между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а вес является параметром сети и может изменяться.
Некоторые входы нейронов являются внешними входами сети, а некоторые выходы - внешними выходами сети.
Подавая любые числовые значения на входы сети, можно получать набор числовых значений на выходе сети. Работа нейросети заключается в преобразовании входного вектора в выходной вектор. Результат этого преобразования будет зависеть от параметров сети - весов взаимосвязей.
Сигналы X;, поступающие на вход нейрона, умножаются на соответствующие весовые коэффициенты wb после чего суммируются.
Результат суммирования поступает на нелинейный преобразователь, реализующий некоторую нелинейную функцию, называемую функцией активации или передаточной функцией нейрона: результат ее действия поступает на выход нейрона.
Использование нейронных сетей обеспечивает следующие полезные свойства систем: нелинейность, адаптивность, контекстная информация, отказоустойчивость.
Проблемы, решаемые применением нейронных сетей: классификация образов, кластеризация/категоризация, аппроксимация функций, предсказание/прогноз, оптимизация, ассоциативная память [4].
Заключение
Исходя из общего анализа рассмотренных систем, можно сделать вывод, что больше преимуществ в повсеместном применении в реальной жизни у нейронных систем. Именно они обладают необходимыми достоинствами для решения сложных и масштабных задач.
Преимущества перед другими системами:
1. Решение задач при неизвестных закономерностях. 2. Адаптирование к изменениям окружающей среды. З.Потенциальное сверхвысокое быстродействие. 4. Отказоустойчивость при аппаратной реализации нейронной сети.
Однако на практике при автономной работе нейронные сети не могут обеспечить готовые решения. Их необходимо интегрировать в сложные системы.
Литература
1. Смолин Д. В. Введение в искусственный интеллект: конспект лекций. - М.: ФИЗМАТЛИТ, 2004. - 208 с. ISBN 5-9221-0513-
2. С. 15-17.
2. Портал искусственного интеллекта [Электронный ресурс]. - Режим доступа: http://www.aiportal.ru/articles/expert-systems/expert-systems.html, свободный.
3. Девятков В.В. Системы Искусственного интеллекта: Учеб. пособие для вузов. - М.: Йзд-во МГГУ им. Н.Э. Баумана, 2001. -352 с., ил. (Сер. Информатика в техническом университете). С. 242-248.
4. Терехов В.А. Тюкин И.К). Ефимов Д.Б. Нейросетевые системы управления: Учебное пособие для студентов, обучающихся по специальности «Управление и информатика в технических ВУЗах»/ - М.: Высшая школа, 2002.- 183 с. : ил. С.13-17, 33-40.
References
1.Smolin D. V. Vvedenie v iskusstvennyj intellekt: konspekt lekcij. - M.: FIZMATLIT, 2004. - 208 s. ISBN 5-9221-0513-2. S. 15-17.
2. Portal iskusstvennogo intellekta [Jelektronnyj resurs]. Rezhim dostupa: http://www.aiportal.ru/articles/expert-systems/expert-systems.html, svobodnyj.
3. Devjatkov V.V. Sistemy Iskusstvennogo intellekta: Ucheb. posobie dlja vuzov. - M.: Jzd-vo MGGU im. N.Je. Baumana, 2001. -352 s., il. (Ser. Informatika v tehnicheskom universitete). S.242-248
4. Terehov V.A. Tjukin I.K). Efimov D.B. Nejrosetevye sistemy upravlenija: Uchebnoe posobie dlja studentov, obuchajushhihsja po special'nosti «Upravlenie i informatika v tehnicheskih VUZah»/ - M.: Vysshaja shkola, 2002.- 183 s. : il. S.13-17, 33-40.
51
