CC BY
8
УДК 004.8
Егоров М.С., Дударов С.П.
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПТИМИЗАЦИИ ХИМИЧЕСКОГО СОСТАВА ЛЫЖНЫХ СМАЗОК ПРИ РАЗЛИЧНЫХ ПОГОДНЫХ УСЛОВИЯХ
Егоров Матвей Сергеевич, студент 2 курса бакалавриата факультета цифровых технологий и химического инжиниринга;
Дударов Сергей Павлович, к.т.н., доцент кафедры информационных компьютерных технологий, e-mail: dudarov@muctr.ru,
Российский химико-технологический университет имени Д. И. Менделеева, Москва, Россия 125047, Москва, Миусская пл., д. 9
В статье рассмотрен план сбора экспериментальных данных для обучения искусственной нейронной сети в виде многослойного перцептрона для решения задачи улучшения скоростных качеств лыж путём нахождения наилучшего варианта смазочного материала. Определён состав входных и выходных переменных нейросетевой модели, прогнозирующей состав смазки для определённой комбинации погодных условий и состояния трассы.
Ключевые слова: искусственная нейронная сеть, многослойный перцептрон, лыжный спорт, лыжная смазка.
APPLICATION OF ARTIFICIAL NEURAL NETWORKS TO OPTIMIZE THE CHEMICAL COMPOSITION OF SKI WAXES UNDER DIFFERENT WEATHER CONDITIONS
Egorov M. S., Dudarov S.P.
D. Mendeleev University of Chemical Technology of Russia, Moscow, Russia
The paper describes the plan of experimental data collection for training an artificial neural network in the form of a multilayer perceptron to solve the problem of improving the speed performance of skis by finding the best wax composition. The composition of input and output variables of the neural network model that predicts the lubricant composition for a certain combination of weather conditions and piste condition is determined. Keywords: artificial neural network, multilayer perceptron, skiing, ski wax.
Спорт высоких достижений давно уже немыслим без достижений современной науки и технологий, будь то химические науки, информационные технологии или что-то иное. Не без генетической предрасположенности, конечно, сейчас побеждает, как правило, тот, кто умнее, хитрее, эффективнее тренировался, постоянно следил за здоровьем и, в конечном итоге, подготовился к соревнованиям так, что вышел на старт, находясь на пике своих физических и психологических возможностей. Однако зачастую даже этого может не хватить для высокого результата.
С развитием химии, открытием или синтезом новых материалов спорт серьёзно преобразился. Так, в феврале 2020 года новую модель кроссовок, в которых были установлены несколько рекордов в беге, были готовы признать допингом. Разбирательства начались после того, как заметили, что на большинстве крупных стартов из 36 подиумов 31 был занят спортсменами, которые бежали в определённой модели кроссовок. По результатам исследований Мировая ассоциация легкоатлетических федераций ввела ограничения, под которые попала только более совершенная модель этих кроссовок.
В лыжных гонках насколько сильно бы не был готов спортсмен, он не сможет победить, если у его лыж будет плохое скольжение. Если сравнить современный уровень развития данного вида спорта с тем, что было 20-30 лет назад, можно заметить
большие отличия в экипировке и в скоростях. Основные факторы, влияющие на получение высоких результатов в лыжных гонках: индивидуальные способности спортсмена, технологические особенности инвентаря (лыж, палок, креплений, спортивного костюма), применяемые при создании технологии, совместимость со спортсменом по физическим параметрам, структура пластика, а также, конечно, смазка. Из всего перечисленного способности спортсменов остались примерно на том же уровне, а вот экипировка и смазка претерпели большие изменения.
В настоящее время основу состава большинства гоночных смазок составляет фтор. Обычно его содержание в пределах 50%. Это связано с гидрофобностью фтора. Но при этом зависимость скорости скольжения от содержания фтора и других веществ не прямо пропорциональная [1]. При этом из-за того что структура и свойства снега зависят от погоды и происхождения, не существует универсальных смазок, которые при любых условиях будут выдавать хорошее скольжение. Поэтому производители не прекращают исследования и тесты для поиска новых составов, которые хорошо бы показали себя на лыжне. Одновременно с этим Международная федерация лыжного спорта и Международный союз биатлонистов с сезона 2021/2022 спортивного года хотят ввести запрет на использование фтора в лыжных смазках из-за вреда
окружающей среде и здоровью людей.
Смазка для лыж обычно состоит из 2-4 химических веществ или материалов, смешанных в разных пропорциях. Для использования спортсменом в гонке он должен пройти непростой путь. Конечно, важен сам первоначальный состав смазки, подбираемый на основе предыдущего опыта. Например, тугоплавкий парафин подходит больше для холодной погоды и, наоборот, в оттепель работают лучше легкоплавкие парафины. Выбранные варианты состава сравнивают между собой при одних и тех же погодных условиях. В целом этот процесс очень долгий и трудоёмкий, требует наличия большой экспериментальной базы, наличия высококвалифицированных экспертов и, несмотря на всё, чреват ошибками из-за огромной роли неопределённости и неполноты исходной информации, требующейся для принятия окончательного решения.
Как показали исследования [2], учёт влияния погодных условий включает сразу несколько факторов, из-за которых меняется взаимодействие снега со смазкой: температуры снега, температуры воздуха, влажности, возраста снежного покрова, происхождения снега (искусственный или натуральный).
Узнать наверняка с помощью традиционных подходов к моделированию, какой состав окажется наилучшим, из-за многочисленности влияющих факторов практически невозможно. На практике для решения подобных задач в последние годы применяют искусственные нейронные сети. Опыт их применения показал, что они справляются с решением поставленной задачи значительно быстрее и эффективнее, чем обычные математические модели [34]. Эффективность прогнозирования физических и химических свойств веществ и материалов с помощью нейронных сетей уже получила подтверждение. Так, в 2019 году группа учёных из США реализовала модель, предсказывающую набор некоторых молекулярных и/или атомных свойств по атомарным координатам и числам [3]. Незадолго до этого, в 2018 году другая группа реализовала нейросетевую модель, которая предсказывает энергию образования лишь на основе элементного состава [4].
Для решения задачи нахождения лучшего состава смазки при заданных погодных условиях до настоящего времени не использовались какие-либо другие методы, кроме вышеупомянутого слепого тестирования. В данной работе мы предлагаем на основе современного опыта применения искусственных нейронных сетей при прогнозировании свойств веществ и состава материалов использовать многослойные перцептроны в качестве основного инструмента математического моделирования.
Многослойные перцептроны - это класс искусственных нейронных сетей прямого распространения, имеющих, в общем случае, произвольное количество входных и выходных переменных [5]. В их структуре должно быть несколько слоёв нейронов (не менее двух). Количество входов такой сети соответствует количеству независимых входных переменных математической модели, а количество нейронов выходного слоя и,
соответственно, выходов нейронной сети - количеству выходных переменных математической модели. Количество скрытых нейронов может варьироваться разработчиком модели в зависимости от сложности связи входов и выходов, разнообразия и количественного состава примеров обучающей выборки.
Данная архитектура сети идеально подходит под наши задачи - прогнозирование состава и пропорций компонентного состава, благодаря которому скольжение лыж будет наилучшим при заданных характеристиках снега.
Для настройки весовых коэффициентов, определяющих силу влияния межнейронных связей в структуре сети, используется метод обратного распространения ошибки. Это наиболее распространённый метод для данного класса нейронных сетей. Его суть заключается в том, что сигнал ошибки каждого выходного значения, рассчитанный на текущем такте обучения, распространяется по слоям в обратном направлении (от выходного к первому) с учётом тех же весовых коэффициентов, которые использовались при прямом прохождении входных сигналов по нейронной сети и вызывали данную ошибку [5].
Для решения задачи предлагаются следующие входные переменные прогнозирующей модели:
- температура воздуха - от -30 до +10 градусов Цельсия (во время забега, в промежутке времени 12-24 ч назад, в промежутке времени 1-12 ч назад);
- температура снега - от -32 до +2 градусов Цельсия;
- количество дней, прошедших с выпадения снега (например, 0 - сегодня, 1 - вчера и т. д.);
- абсолютная влажность воздуха;
- идёт ли снег во время гонки - да/нет;
- оценка показателя скольжения - от 0 до 1.
Выходные переменные - это пропорции вещества,
новой смазки. Каждая выходная переменная должна соответствовать определённому компоненту смазки. Значение выхода - доля соответствующего вещества в результирующем составе. Поскольку на выходные значения должно накладываться нормирующее ограничение (сумма значений выходов равна единице), сеть должна включать соответствующий нормирующий слой (рис. 1). Очевидно, что может быть несколько нейросетевых моделей подобного типа, имеющих разный набор выходов (компонентов смазки).
Для формирования обучающей выборки предлагается организовать сбор данных с помощью точно откалиброванных тестирующих приборов, так называемых мышек, каждая из которых представляет собой брус в форме продолговатого прямоугольного параллелепипеда с определёнными характеристиками массы и поверхности. На каждую большую грань мышки может быть нанесена смазка определённого состава.
Экспериментальная часть должна включать следующие этапы:
1. На разные поверхности одной или нескольких мышек наносятся различные тестовые образцы смазки и фиксируются все входные переменные, кроме оценки показателя скольжения.
2. Выбирается участок трассы, где будут проходить тесты скорости. Этот участок должен удовлетворять определённым требованиям: спуск с небольшим уклоном, чтобы мышка могла скатываться без дополнительного воздействия, снег должен быть однородным достаточно чистым.
3. С помощью секундомера фиксируется время
Важно получить при заданных погодных условиях как можно больше обучающих примеров от образцов с различным составом смазочного материала. Эксперименты должны повторяться на других участках при разных погодных условиях. Для достижения максимальной точности нейросетевых моделей важно иметь максимальный объём обучающей выборки, поэтому, чем больше будет проведено тестов, тем более качественным окажется результат практического использования многослойных перцептронов.
Перед обучением нейронных сетей полученные данные должны быть предварительно обработаны: исключены повторы, решены противоречия, выполнена нормализация значений в пределах каждой переменной.
На этапе практического использования обученного перцептрона в качестве значения последней входной переменной задаётся максимальная оценка показателя скольжения, равная 1, для которой и будет ожидаться наиболее оптимальный в данных погодных условиях состав смазки.
В перспективе предложенный подход к нахождению идеального состава смазочного материала для обработки лыж может значительно улучшить спортивные результаты и повысить экономическую эффективность занимающихся этим производств. Если же составы, полученные таким образом, действительно
прохождения выбранного участка каждым образцом.
4. После тестирования образцов по полученным значениям времени прохождения стандартного участка рассчитывается оценка показателя скольжения. Значение показателя, равное 0, соответствует наибольшему времени прохождения дистанции, а значение 1 - наименьшему времени, затраченному на прохождение дистанции. Общий характер зависимости между показателем и затраченным временем, в общем случае, принимается линейным.
докажут свою эффективность, можно будет отказаться от высоких затрат на сервисные бригады, сопровождающие спортсменов на каждом соревновании.
Список литературы
1. Rogowski I. Influence of fluorine-based additive content on the physical and physicochemical properties of ski gliding wax. - Cold Regions Science and Technology. -42(5), 2007. - PP. 145-150.
2. S. C. Colbeck, G. C. The thermal response of downhill skis. - Warren. Journal of Glaciology, Volume 37, Issue 126. - 1991. - PP. 228-235.
3. Roman Zubatyuk, Justin S. Smith, Jerzy Leszczynski, Olexandr Isayev. Accurate and transferable multitask prediction of chemical properties with an atoms-in-molecules neural network. - Science Advances, vol. 5, no. 8. - 2019. - PP. 9.
4. Dipendra Jha, Logan Ward, Arindam Paul, Wei-keng Liao, Alok Choudhary, Chris Wolverton, Ankit Agra-wal. ElemNet: Deep Learning the Chemistry of Materials From Only Elemental Composition. - Scientific Reports. -8(1) 2018. - PP. 13.
5. Дударов С. П., Папаев П. Л. Теоретические основы и практическое применение искусственных нейронных сетей. - М.: РХТУ им. Д. И. Менделеева, 2014. - 104 с.
