CC BY
17134
Методы искусственного интеллекта и машинного обучения
Список литературы
1. Vikent'ev A. A., Lbov G. S. Setting the metrics and informativeness on statements of experts // Pattern Recognition And Image Analysis. 1997. V. 7, N 2. P. 175-183.
2. Vikent'ev A. A. Distances and Degrees of Uncertainty in Many-Valued Propositions of Experts and Application of These Concepts in Problems of Pattern Recognition and Clustering // Pattern Recognition and Image Analysis. 2014. V. 24, N 4. P. 489-501.
Кластеризация метеорологических данных в зависимости от концентрации взвешенных частиц PM2.5 для выявления неблагоприятных метеорологических условий
О. С. Володько, Е. Д. Карепова
Институт вычислительного моделирования СО РАН Email: olga.pitalskaya@gmail.com DOI: 10.24412/cl-35065-2022-1-01-93
По данным Минприроды России концентрация вредных веществ в атмосфере города Красноярска часто превышает допустимые нормы. Кроме различных антропогенных источников на концентрацию загрязняющих веществ в атмосфере влияют метеоусловия, которые вносят значительный вклад в создание неблагоприятных метеорологических условий (НМУ) [1]. НМУ представляют собой краткосрочное особое сочетание метеорологических факторов, способствующих накоплению загрязняющих веществ в приземном слое атмосферного воздуха. Наибольшую опасность для здоровья человека представляют взвешенные частицы (PM), которые классифицируются в зависимости от их размера [2].
В настоящей работе исследуется зависимость концентрации взвешенных частиц PM2.5 от метеорологических условий.
Для группировки метеорологических параметров и концентраций взвешенных частиц PM2.5 был применен метод кластеризации k-средних, чтобы использовать полученные кластеры в качестве входных переменных для моделей прогнозирования. Метод кластеризации k-средних может помочь выявить скрытую информацию в большом наборе данных, поэтому рассмотрение результатов кластеризации в качестве входных переменных может улучшить качество работы моделей прогнозирования [3].
Работа выполнена при финансовой поддержке Российского научного фонда (код проекта 22-21-20117). Список литературы
1. Eremkin A. I., Kvashin I. M., Unkerov U. I. Regulation of emissions, pollutants into the atmosphere. Moscow: Assoc. of Constr. Univers, 2001.
2. Kaufman Y. J., Tanre D., Boucher O. A satellite view of aerosols in the climate system //Nature. 2002. Т. 419. № 6903. С. 215-223.
3. Elangasinghe, M. A., Singhal, N., Dirks, K. N., Salmond, J. A., Samarasinghe, S., Complex time series analysis of PM10 and PM2.5 for a coastal site using artificial neural network modelling and k-means clustering // Atmos. Environ. 2014. V. 94, P. 106-116.
Predicting flow fields around airfoils and geometry optimization using a graph neural network
G. E. Gusev1, V. A. Travnikov1, I. A. Plokhikh12, R. I. Mullyadzhanov12
1Novosibirsk State University
2Institute of Thermophysics SB RAS
Email: gusgrigoriev@gmail.com
DOI: 10.24412/cl-35065-2022-1-02-37
In this study we apply machine learning methods to the problem of the flow over airfoils which geometry is to be optimized using Graph Neural Network (GNN) and combined optimization methods (Bayesian optimization and gradient based methods).
Секция 9
135
In work of Viquerat et al. [1] was shown that GNN can approximate stationary solutions of the Navier-Stokes equations with higher accuracy than previously used CNN and provide a significant reduction in time required to obtain a solution (about 2-3 orders) in comparison with the direct calculation by CFD solver at the cost of a small error rates. Due to these advantages, it was proposed to use GNN as a flow approximator in the algorithm of aerodynamical shape optimization, where it is necessary to obtain a large number of solutions in order to find optimal geometry parameters. After training the model, we utilized it in conjunction with different optimization algorithms, such as Bayesian optimization [2] and gradient-based methods (e.g., BSFG). This approach can be implemented in various applied tasks, for example, maximization of lift/drag force ratio for airfoils.
References:
1. Chen J., Hachem E., Viquerat J. Graph neural networks for laminar flow prediction around random 2D shapes // arXiv preprint arXiv:2107.11529. 2021.
2. Mockus J. On Bayesian methods for seeking the extremum // Optimization techniques IFIP technical conference. Springer, Berlin, Heidelberg, 1975. P. 400-404.
Применение нейросетевых алгоритмов для анализа 3D изображений компьютерной томографии головного мозга пациентов с диагностированным ишемическим инсультом
А. В. Добшик1, А. А. Тулупов12, К. М. Шерман1,2, В. Б. Бериков1,3 хНовосибирский государственный университет 2Международный томографический центр СО РАН 3Институт математики им. С. Л. Соболева СО РАН
Email: a.dobshik@alumni.nsu.ru, taa@tomo.nsc.ru, ksh1420@yandex.ru, berikov@math.nsc.ru DOI: 10.24412/cl-35065-2022-1-01-94
В работе представлен алгоритм для автоматического анализа 3D изображений бесконтрастной компьютерной томографии головного мозга пациентов с диагностированным ишемическим инсультом. Предлагаемый метод основан на применении сверточной нейронной сети, архитектура которой представляет собой модифицированный 3D U-Net [1] со встроенными модулями 3D Squeeze-and-Excitation [2] и остаточными соединениями.
Автоматический анализ 3D медицинских изображений требует значительных вычислительных ресурсов, которые чаще всего ограничены. Мы используем технику извлечения патчей, различные алгоритмы обработки данных и регуляризованную процедуру обучения нейросети.
Набор данных содержит 81 трехмерное изображение бесконтрастной компьютерной томографии головного мозга. На каждом снимке рентгенолог выполнил ручную сегментацию областей, пораженных инсультом. Предлагаемый алгоритм достигает точности 0.61 по метрике Dice при кросс-валидации на 5 частях.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (код проекта 19-29-01175).
Список литературы
1. Qifek О. et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation // International conference on medical image computing and computer-assisted intervention. Springer, Cham, 2016. P. 424-432.
2. Li Y., Fan Y. DeepSEED: 3D squeeze-and-excitation encoder-decoder convolutional neural networks for pulmonary nodule detection //2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI). IEEE, 2020. P. 1866-1869.
