CC BY
15
УДК 004.032.26+532.13+531.75 Колесников А.М., Митричев И.И.
Нейросетевой подход для предсказания вязкости и плотности смазочных масел при растворении в них газов
Колесников Артем Максимович - бакалавр 4-го года обучения кафедры информационных компьютерных технологий; artiom_koliesnikov@mail.ru.
Митричев Иван Игоревич - кандидат технических наук, доцент кафедры информационных компьютерных технологий;
ФГБОУ ВО «Российский химико-технологический университет им. Д.И. Менделеева», Россия, Москва, 125047, Миусская площадь, д. 9.
Представлена нейросетевая модель для прогнозирования вязкости и плотности минерального масла ISO VG 32 при растворении в нем газов: HCFC-22, R-502. Описана архитектура нейронной сети и основные параметры её настройки. Выполнена оценка точности прогнозирования нейронной сети на тестовых данных с помощью различных метрик (MAE, MAPE).
Ключевые слова: ИНС, смазочные масла, прогнозирование, вязкость, плотность.
A neural network approach for predicting the viscosity and density of lubricating oils with dissolved gases Kolesnikov A.M., Mitrichev I.I.
D. Mendeleev University of Chemical Technology of Russia, Moscow, Russian Federation
We present a neural network model for predicting the viscosity and density of mineral oil ISO VG 32 when dissolving gases: HCFC-22, R-502. The architecture of the neural network and the main parameters of its adjustment are described. The estimation of neural network prediction accuracy on test data using different metrics (MAE, MAPE) is performed. Key words: ANN, lubricating oils, prediction, viscosity, density.
Введение
Смазочные масла играют важную роль в поддержании эффективной работы различных механических систем. Они уменьшают трение и износ деталей, а также обеспечивают охлаждение и защиту поверхностей от коррозии. Однако, при растворении газов в смазочных маслах или изменении параметров (температуры, давления), свойства смазочного масла могут существенно изменяться, что может привести к снижению эффективности смазки и возникновению различных проблем. Точное определение вязкости и плотности смазочного масла имеет важное значение для инженеров и производителей, поскольку знание этих свойств позволяет выбрать наиболее подходящие смазочные материалы для оптимального и надежного функционирования систем [1].
Наиболее точным способом определения вязкости и плотности смазочного масла при растворении в нем газов, является их экспериментальное измерение при помощи таких приборов, как вискозиметр и ареометр, соответственно. Однако, такие замеры достаточно трудоемкие и занимают много времени и средств для подготовки образцов. Именно поэтому, для упрощения этого процесса, сокращения затрат времени и материальных ресурсов, разрабатывают и модифицируют различные математические методы расчета свойств газожидкостных смесей.
Для предсказания свойств смазочных масел при растворении в них газов часто используются традиционные методы, такие как уравнения состояния и корреляции [2], основанные на эмпирических моделях, которые требуют большого объема экспериментальных данных и сложных математических подходов. Однако, разработка и
калибровка таких моделей требуют значительных усилий и ресурсов. Кроме того, такие модели часто имеют ограничения в обобщении на новые составы смазочных масел и газов. В свете этих ограничений многие ученые и инженеры озадачены поиском альтернативных подходов для предсказания вязкости и плотности смазочных масел при растворении в них газов.
В последние годы модели, основанные на искусственных нейронных сетях, получили широкое распространение в различных областях, включая промышленность и науку [3]. Нейросетевой подход представляет собой альтернативный подход, основанный на машинном обучении. Он позволяет автоматически извлекать сложные зависимости из данных и строить модели, которые способны обобщаться на новые примеры.
В данной статье мы исследуем применение нейросетевого подхода для предсказания вязкости и плотности смазочных масел при растворении в них газов. Нейронные сети предоставляют гибкий и мощный инструмент, способный обрабатывать сложные зависимости между составом смазочных масел, газами и их физическими свойствами и предсказывать свойства смазочных материалов с высокой точностью [4]. Одним из основных преимуществ нейросетевого подхода является его способность работать с большим объемом данных. Кроме того, нейросетевой подход может быть применен для предсказания свойств на всем диапазоне значений, включая экстремальные условия, которые не учитываются в классических методах.
Важно отметить, что использование нейросетевого подхода требует наличия достаточного объема
качественных данных для обучения моделей. Это может включать данные о химическом составе смазочных масел, физических свойствах газов, а также результаты экспериментов и испытаний. Сбор и подготовка таких данных являются ключевыми шагами для успешной реализации нейросетевого подхода [5].
Использование нейросетевого подхода для предсказания свойств смазочных масел при растворении в них газов поможет сократить затраты на проведение дорогостоящих экспериментов. Вместо того, чтобы физически исследовать каждую комбинацию смазочного масла и газа, можно обучить нейросеть на доступных данных и использовать ее для предсказания свойств новых комбинаций. Это позволяет сэкономить время и ресурсы, а также ускорить процесс разработки и тестирования новых смазочных материалов.
Практическая часть
Была разработана нейросетевая модель для прогнозирования вязкости и плотности минерального масла ISO VG 32 при растворении в нем газов: HCFC-22, R-502. Нейронная сеть была написана на языке Python, с помощью библиотеки Keras, которая предоставляет простой и интуитивно понятный интерфейс для создания и обучения искусственных нейронных сетей различной архитектуры [6].
В качестве обучающей и тестовой выборки были взяты экспериментальные значения вязкости, плотности и состава жидкой фазы, полученные Cavestri при различных условиях - температуре и давлении [7]. Были оцифрованы экспериментальные графики и представлены в виде таблиц Excel. Затем все данные были нормализованы в пределах [0; 1]. Нейросетевая модель обучалась на 80% от этой выборки, а оставшиеся 20% данных были использованы в качестве тестовой выборки.
Построенная нейросетевая модель представляет собой двухслойный перцептрон с 6 входами и 2 выходами. Входы ИНС: "Температура, °C", "Давление, бар", "Массовая доля R-22 (исх.газ)", "Массовая доля R-115 (исх.газ)", " Массовая доля R-22 (жидк.ф.)", "Массовая доля R-115 (жидк.ф.)". Выходы ИНС: "Вязкость, сП", "Плотность, г/мл". Скрытый слой содержит 4 нейрона.
В качестве активационной функции использовалась «ReLU» (Rectified Linear Unit). Она выдает нулевой выход для всех отрицательных значений входа и линейный выход для всех положительных значений входа (1). Функция очень проста и быстро вычисляется, что делает ее вычислительно эффективной и популярной в глубоких нейронных сетях:
f(s) = тах(0, s) (1)
где 5 - это взвешенная сумма входных значений и соответствующих весов нейронов в предыдущем слое.
Для настройки параметров нейронной сети во время обучения был выбран оптимизатор «Adam» (Adaptive Moment Estimation). Это оптимизатор стохастического градиентного спуска, который
автоматически адаптирует скорость обучения для каждого параметра на основе оценок первого и второго моментов градиента. Adam является комбинацией двух других оптимизаторов - AdaGrad и RMSprop.
Чтобы измерить, насколько хорошо модель выполняет свою задачу, были использованы метрики оценки «МАЕ» и «MAPE».
MAE (Mean Absolute Error) - средняя абсолютная ошибка. Она вычисляется как среднее арифметическое абсолютных разниц между истинными значениями и предсказанными значениями (2). Иными словами, МАЕ показывает, как сильно отклоняются предсказанные значения от истинных значений в среднем. Чем меньше значение МАЕ, тем лучше качество модели.
МАЕ = \Vi-9i I (2)
где n - количество примеров в наборе данных, y - истинное значение, yt - предсказанное значение. MAPE (Mean Absolute Percentage Error) - средняя абсолютная процентная ошибка. Она вычисляется как среднее арифметическое абсолютных разниц между истинными значениями и предсказанными значениями, деленное на истинное значение (3). -in п (yi-yO
МАРЕ = - •Zto (\-
100%)
(3)
п —^ 0 тах(у1, е) где п - количество примеров в наборе данных, у - истинное значение, у - предсказанное значение, е - заменяет у в знаменателе, когда у = 0. Нейронная сеть обучалась 500 эпох со скоростью обучения 0.01. Используя возможности библиотеки Keras была сохранена модель с наименьшей погрешностью по метрике МАРЕ во время всего процесса обучения. Для общей визуализации процесс обучения был выведен на график с помощью
библиотеки Ма1р1оШЬ (рис. 1).
100 -
- Обучающая
О 100 200 300 400 500
Эпоха
Рис. 1. Изменение метрики МАРЕ в процессе обучения нейронной сети
Обученная нейросетевая модель была протестирована на ранее неизвестных ей данных. С помощью обученной нейронной сети сделаны прогнозы вязкости и плотности при экспериментальных значениях температуры, а полученные результаты сопоставлены с экспериментальными (рис. 2).
Рис. 2. Прогноз для масла ISO VG 32 /HCFC-22 при 80 °C; а - вязкость, б - плотность
Таким образом, погрешность прогноза данной нейросетевой модели по нормализованным значениям: МАРЕ(Вязкость) = 4.35 %, МАРЕ(Плотность) = 5.13 %; по денормализованным значениям: МАЕ(Вязкость) = 8.6874 сП, МАЕ(Плотность) = 0.0064 г/мл. Общая ошибка MAPE составляет 4.74 %, что является хорошим результатом.
Заключение
В данной работе сообщается о нейросетевом подходе для прогнозирования вязкости и плотности минерального масла ISO VG 32 при растворении в нем газов: HCFC-22, R-502. Средняя погрешность прогнозов моей модели составляет 4.74 % по метрике MAPE, что вполне подходит для решения реальных задач. Полученная модель может быть использована для предсказания изменения свойств смазочного масла ISO VG 32 в компрессорных установках при различных условиях работы, а именно: при температуре (-20; 125) °C и давлении (0.7; 33.7) бар, при использовании в качестве хладагента HCFC-22; при температуре (-10; 125) °C и давлении (1.7; 32.2) бар, при использовании в качестве хладагента R-502.
Список литературы
1. Youbi-Idrissi M. et al. Oil presence in an evaporator: experimental validation of a refrigerant/oil
mixture enthalpy calculation model // International Journal of Refrigeration - 2004. - V.27. - № 3 - P. 215224.
2. Camporese R., Bigolaro G., Rebellato L. Calculation of thermodynamic properties of refrigerants by the Redlich-Kwong-Soave equation of state // International Journal of Refrigeration - 1985. - V. 8. - № 3 - P. 147-151.
3. Arcaklioglu E., Çavuçoglu A., Eriçen A. Hermodynamic analyses of refrigerant mixtures using artificial neural networks // Applied Energy. -2017. - V. 70. - P. 984-1001.
4. §encan A., Kose I.I., Selbaç R. Prediction of thermophysical properties of mixed refrigerants using artificial neural network // Energy Conversion and Management - 2011. - V. 52. - № 2 - P. 958-974.
5. Дударов С. П., Папаев П. Л. Теоретические основы и практическое применение искусственных нейронных сетей. - 2014. - 104 c.
6. Официальный сайт библиотеки Keras [электронный ресурс]. URL: https://ru-keras.com/home/ (дата обращения: 16.05.2023).
7. Cavestri R. C. Measurement of viscosity, density, and gas solubility of refrigerant blends in selected synthetic lubricants // The Air-Conditioning and Refrigeration Technology Institute. - 1995. — P. 196.
