CC BY
37
vantages and disadvantages. Conclusions are drawn about what equipment should be used depending on several factors: the quality of the weld, the possibility of using and access to sources of electrical power, the size of the resulting product, the cost of equipment and consumables, as well as the qualifications of the specialist who welds the materials.
Key words: welding, equipment, technological process, ferrous metals, non-ferrous
metals.
Novikov Vladislav Gennadevich, student, therealnovikov@,gmail.com, Russia, Tula, Tula State University
УДК 004.032.26
DOI: 10.24412/2071-6168-2022-4-278-284
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ИНЖЕНЕРНО-ТЕХНИЧЕСКИХ И ЭКОЛОГИЧЕСКИХ РАЗРАБОТКАХ
В.М. Панарин, К.В. Гришаков, А.А. Маслова, О.В. Гришакова, А.В. Архипов
Рассмотрено применение искусственных нейронных сетей в инженерно-технических и геологических разработках. В статье кратко описаны искусственные нейронные сети и их структура, а так же применение искусственных нейронных сетей в экологическом мониторинге. Приведена распределенная схема экологического мониторинга атмосферного воздуха. Использование искусственных нейронных сетей в системе экологического автоматизированного мониторинга атмосферного воздуха позволяет быстрее и точнее принимать управленческие решения в области охраны окружающей среды.
Ключевые слова: экологический мониторинг, прогнозирование, загрязнение атмосферы, нейронные сети, промышленно развитая территория, моделирование.
В последние годы в различных областях промышленности использование искусственных нейронных сетей (ИНС) возросло и приобрело особую актуальность. ИНС, в частности, применяются ради решения большого количества экологических и инженерно-технических задач, демонстрируя свою полезность. Анализ литературы показал возможность успешного использования ИНС для моделирования процессов загрязнения атмосферы, снятия ряда неточностей и решения таких задач как прогнозирование, размещение постов мониторинга (стационарных и мобильных), вклад конкретного промышленного объекта в общее загрязнение воздуха в реальном времени с целью принятия управленческих мер по нормированию выбросов. Данные разработки помогут сделать шаг вперед в области охраны окружающей среды и экологического мониторинга [1-2].
Искусственные нейронные сети (ИНС) - это форма искусственного интеллекта, которая пытается имитировать поведение человеческого мозга и нервной системы. Работу и структуру ИНС описали многие авторы (например, Maren et al. 1990; Ripley 1996). Понятие «нейронные сети» возникло при попытке моделирования процессов, происходящих в мозге человека во время передачи сигналов между биологическими нейронами. На рис. 1 изображена типичная структура ИНС, состоящая из некоторого количества узлов или обрабатывающих элементов (ОЭ), обычно располагающихся в следующих слоях: один или несколько скрытых слоев, входной и выходной слои [3].
Регулируемый вес соединения^О умножается на вклад каждого обрабатывающего элемента (х() в предыдущем слое. Взвешенные входные сигналы суммируются в каждом обрабатывающем элементе и добавляется пороговое значение Затем через нелинейную передаточную функцию ^ (.)) передается этот объединенный вход (^ для получения выхода обрабатывающего элемента (у^. Входные данные для элементов в следующем слое обеспечивают выходные данные одного обрабатывающего элемента. В уравнениях ниже суммирован этот процесс и проиллюстрирован на рис. 1.
/у = £ м/у^ + бу - суммирование
У]' =1(!д - передача
С данных, представленных на входном уровне, начинается распространение информации в ИНС. Чтобы произвести отображение ввода/ вывода, которое имеет наименьшую возможную ошибку, сеть настраивает свои веса на представление набора обучающих данных и использует правило обучения. Этот процесс называется «обучение». Эффективность обученной модели проверяется с использованием независимого набора тестирования, когда успешно завершается фаза обучения модели [4-5].
Искусственные нейронные сети, исходя из описанного выше, учатся на примерах предоставленных им данных. Далее эти данные ИНС используют для корректировки своих весов, чтобы зафиксировать взаимосвязь между входными переменными модели и соответствующими выходными данными. Таким образом, ИНС не нуждаются в предварительных знаниях о природе взаимосвязи между переменными ввода/вывода, что является одним из преимуществ, которые ИНС имеют в сравнении с большинством статистических и эмпирических методов.
Философия моделирования ИНС схожа с рядом традиционных статистических моделей, так как и те, и другие пытаются зафиксировать взаимосвязь между временным набором входных данных модели и соответствующими выходными данными.
Предположим, к примеру, в двумерном пространстве, где у = f (х), набор значений х и соответствующих значений у. Цель заключается в том, чтобы найти неизвестную функцию связывающую выходную переменную у с входной переменной х. Функция в модели линейной регрессии, может быть получена путем изменения точки пересечения а и угла наклона tgф прямой линии на рис. 2, таким образом, ошибка между выходами прямой линии и фактическими выходами сведена к минимуму.
В моделях ИНС используется тот же принцип. ИНС могут формировать простую модель линейной регрессии, имея один вход, один выход, никаких скрытых узлов слоя и линейную передаточную функцию (рис. 3). Вес соединения w в модели ИНС эквивалентен углу наклона tgф, а пороговое значение е равно пересечению а в модели
линейной регрессии. ИНС корректируют свои веса путем многократного представления примеров входов и выходов модели, чтобы минимизировать функцию ошибки между временными выходами и выходами, предсказанными моделью ИНС.
у(выход) | Угол
отрезок
Р
наклона ^ ^Ф)
У =(^ф)х + р
х (вход)
Рис. 2. Модель линейной регрессии
Функция передачи
Элемент
Рис.3. ИНС представление модели линейной регрессии
Если взаимосвязь между x и у не линейна, регрессионный анализ может быть успешно применен только в том случае, если существуют предварительные знания о природе нелинейности. Напротив, это предварительное знание природы нелинейности не требуется для моделей ИНС. В модели ИНС степень нелинейности также может быть легко изменена путем изменения функции переноса и количества скрытых узлов слоя. В реальном мире, вероятно, возникнут проблемы, которые являются сложными и весьма нелинейными. В таких ситуациях традиционный регрессионный анализ не является адекватным. В отличие от этого, ИНС могут использоваться для решения этой сложности путем изменения передаточной функции или структуры сети, а тип нелинейности может быть изменен путем изменения количества скрытых уровней и количества узлов в каждом уровне. Кроме того, модели ИНС можно модернизировать с одномерного до многомерного путем увеличения количества входных узлов.
Применение ИНС в экологическом мониторинге
В области охраны окружающей среды ИНС можно использовать для предоставления отсутствующих данных из мониторинга окружающей среды, прогнозирования уровней загрязнения воздуха и воды, уровня звука, автоматического анализа изображения и интерпретации результатов биологического мониторинга, оценки воздействия на окружающую среду, и многих других проблем.
Существует много работ, в которых обсуждаются нейронные сети. Также существует число работ, посвященных прогнозированию уровня загрязнения воздуха на основе искусственных нейронных сетей. Большинство исследований сосредоточено на краткосрочных и долгосрочных прогнозах уровней концентрации оксидов азота (NOx) и твердых частиц PMlo в качестве факторов, определяющих возникновение смога. Есть также статьи, посвященные прогнозам уровней концентрации других загрязнителей воздуха, например, оксиды азота (NO и NO2). Эти прогнозы были сделаны на основе
метеорологических данных, данных о выбросах загрязнителей воздуха и т. д. Другие исследования посвящены заполнению пробелов в данных мониторинга на основе существующих данных [6-8].
Мониторинг окружающей среды становится более простым и эффективным, если основываться на концепциях современных интеллектуальных нейронных сетей, методов многофакторной оценки, применяющихся в мониторинге окружающей среды, рассматриваемой как системы с распределенными параметрами (рис.4).
Рис. 4. Распределенная схема экологического мониторинга атмосферного воздуха
С использованием сенсорных сетей получают следующие данные, которые определяются из измерений переменных процесса:
- значение и явления в момент времени в точке пространства Pi, которое является значением, обеспечиваемым датчиком Si, помещенным в точку Pi, в момент времени t: di (t), температура в данном случае;
- скорость явления Si, которое является производной по времени от переменных, измеренных датчиком Si, в точке Pi в два последовательных момента времени t и th:
d6j(t) ^ ei(t)-ei(t-h) dt ~ h '
где по дискретному методу используется аппроксимация для постоянного периода выборки h;
- значение разности в пространстве dij от двух смежных переменных датчиков: Adij(t) = 6i(t)-6¡(t), заданное датчиками Si и Sj, место din точек Pi и Pj ; - в каком смысле это явление происходит, в таком и дается разница в пространстве. Положительный смысл - от Si до Sj. Эта разность пропорциональна пространству между двумя датчиками Si и Sj или точками Pi и Pj lij = \Zi-Zj\, где Zi и z¡ - пространственные координаты двух точек. Координаты указаны для Pi (xi, yi) и Pj (xi, xj) для двумерного пространства.
- скорость изменения разности между двумя соседними датчиками Si и Sj, расположенная в точках Pi и Pj, как производная по времени от пространственной разности
dAdijit) _ A6ij{t)-A6ij{t-K) dt ~ h ' в два следующих друг за другом момента времени t и t-h. Скорость перемещения в пространстве задаёт скорость разницы в пространстве. Также, мы можем использовать следующим образом переменные, полученные в качестве оценки.
- оценочное значение Di явления в момент времени в точке пространства Pi, которое является значением, предоставленным оценщиком Ei для точки Pi, в момент времени t: D (t);
- скорость оцененного явления £i, которая является производной по времени оценочных переменных, предоставленных оценщиком Ei для точки Pi, в два последовательных момента времени t и t-h:
м п '
где используется аппроксимация по дискретному времени для постоянного периода выборки И;
- расчетная разница в пространстве с°у, из двух значений двух соседних переменных датчика:
△ 6^(0 = ^(0-0/(0, для точек Рг и Р], дано оценками Ег и Е, Предполагаемая разница в пространстве дается в условном смысле, в котором, по оценкам, имеет место явление.
- оценочная скорость бН] оценочной вариации разности между двумя оценщиками Ег и Е] для двух соседних точек Рг и Р] как производная по времени от оцененной пространственной разности
м ~ П '
в два последовательных момента времени I и ^И. Скоростью оценки пространственного смещения в том смысле, в каком это явление оценивается как происходящее, задается скорость разности оценок в пространстве.
Необходимо учесть ошибки между фактическими переменными и оценками: ву = V —тО - ошибка в значении процесса;
е3 =5 — £ - ошибка в скорости явления, происходящего в некоторой точке
поля;
ed = d-ct - ошибка в разнице в пространстве двух соседних точек и
esd = sd — sel - погрешность скорости распространения явления в космосе.
Предоставленные датчиками значения могут использоваться для оценки систе-
мы.
Для переменных процесса и, s, d, sd и для оценочных переменных Ь, Ь, á, sel некоторые значения могут быть определены как отрицательные N и положительные P или близкие нулю Z, с некоторыми степенями: малый S, средний M или большой B. Итак, на оси могут быть следующие комбинации: NB, NM, NS, Z, PS, PM, PB. Чтобы подчеркнуть нелинейный характер процесса, рекомендуется использовать только три нечетких значения.
Аргументация такова:
- явление уменьшается в том случае, если производные отрицательны;
- явление усиливается, если производные положительные;
- смысл явления противоположен точкам измерения и двум датчикам, в том случае, если различия отрицательны;
- пространство перестает быть однородным, если скорость разности положительная, и что-то происходит в пространстве между двумя датчиками.
Система оценки разработана с использованием обратной цепи связи. Насколько правил для этой системы:
- ЕСЛИ и это Z, ТО процесс подавлен (cf = 10%);
- ЕСЛИ и НЕ Z, ТО процесс НЕ подавляется (cf = 90%);
- ЕСЛИ s это Z, то процесс НЕ идет ^f = 10%);
- ЕСЛИ s НЕТ, ЗАТЕМ процесс идет ^f = 90%) и так далее.
Многие другие правила могут быть разработаны в соответствии с вышеизложенными правилами.
Мониторинг окружающей среды становится более простым и эффективным, основываясь на перечисленных выше концепциях, разработке механизма проведения экологического мониторинга, таких актуальных концепциях как современные интеллектуальные беспроводные сенсорные сети, методы многофакторной оценки, обнару-
жение и диагностика неисправностей системы. Использование искусственных нейронных сетей в системе экологического автоматизированного мониторинга атмосферного воздуха позволит быстрее и точнее принимать управленческие решения в области охраны окружающей среды.
Список литературы
1. Пушилина Ю.Н. Совершенствование методов моделирования и мониторинга загрязнения атмосферного воздуха горнопромышленного региона: диссертация ... кандидата технических наук: 25.00.36 / Пушилина Юлия Николаевна; [Место защиты: Тул. гос. ун-т]. Тула, 2011. 156 с.
2. Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. М.: Ленанд, 2019. 224 с.
3. Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: Ленанд, 2019. 232 с.
4. Маслова А.А., Панарин В.М., Гришаков К.В., Рыбка Н.А., Котова Е.А., Селезнева Д.А. Применение искусственных нейронных сетей для прогнозирования уровней загрязнения воздуха и водных объектов // Экология и промышленность России.
2019. Т. 23. № 8. С. 36-41.
5. Панарин В.М., Рыбка Н.А., Маслова А.А., Савинкова С.А. Определение составляющих информационного потока в системе мониторинга загрязнения атмосферного воздуха промышленного региона // Экологические системы и приборы. 2021. № 6. С. 9-14.
6. Панарин М.В., Маслова А.А., Савинкова С.А., Панарин В.М. Автоматизированная система контроля выбросов загрязняющих веществ на источниках промышленных предприятий // Экология и промышленность России. 2021. Т. 25. № 6. С. 44-48.
7. Панарин В.М., Шейнкман Л.Э., Маслова А.А., Царьков Г.Ю., Гришаков К.В., Рыбка Н.А. Информационно-измерительная система прогнозирования и предупреждения аварийных выбросов газа в атмосферу // Экология и промышленность России.
2020. Т. 24. № 5. С. 9-13.
8. Панарин В.М., Маслова А.А., Гришаков К.В. Адаптация нейронных сетей для проведения экологического мониторинга окружающей среды // Инновационные наукоемкие технологии. Доклады VII международной научно-практической конференции. Под общей редакцией В.М. Панарина. 2020. С. 137-142.
Панарин Владимир Михайлович, д-р техн. наук, профессор, заведующий кафедрой, panarin-tsu@yandex.ru, Россия, Тула, Тульский государственный университет,
Гришаков Кирилл Владимирович, канд. техн. наук, инженер, grishakoff.kmU@yandex.ru, Россия, Тула, Тульский государственный университет,
Маслова Анна Александровна, д-р техн. наук, профессор, an-na_zuykova@rambler.ru, Россия, Тула, Тульский государственный университет,
Гришакова Ольга Владимировна, магистрант, olya.grischakova@,yandex.ru, Россия, Тула, Тульский государственный университет,
Архипов Александр Викторович, аспирант, aav@mail.ru, Россия, Тула, Тульский государственный университет
APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN ENGINEERING AND ENVIRONMENTAL DEVELOPMENTS
V.M. Panarin, K.V. Grishakov, A.A. Maslova, O.V. Grishakova, A.V. Arkhipov
283
The use of artificial neural networks in engineering and geological developments is considered. The article briefly describes artificial neural networks and their structure, as well as the use of artificial neural networks in environmental monitoring. The distributed scheme of ecological monitoring of atmospheric air is given. The use of artificial neural networks in the system of environmental automated monitoring of atmospheric air allows faster and more accurate management decisions in the field of environmental protection.
Key words: environmental monitoring, forecasting, atmospheric pollution, neural networks, industrialized area, modeling.
Panarin Vladimir Mikhailovich, doctor of technical sciences, professor, head of department, panarin-tsu@yandex.ru, Russia, Tula, Tula State University,
Grishakov Kirill Vladimirovich, candidate of technical sciences, engineer, grishakoff.kirill@yandex.ru, Russia, Tula, Tula State University,
Maslova Anna Aleksandrovna, doctor of technical sciences, professor, anna_zuykova@rambler.ru, Russia, Tula, Tula State University,
Grishakova Olga Vladimirovna, undergraduate, olya.grischakova@yandex.ru, Russia, Tula, Tula State University,
Arkhipov Alexander Viktorovich, postgraduate, aav@mail.ru, Russia, Tula, Tula State University
