CC BY
42
М.Ю. Левин
аспирант, ГНУ «Всероссийский научно-исследовательский институт использования
техники и нефтепродуктов» Российской академии сельскохозяйственных наук
С.А. Нагорнов
д.т.н., профессор, зам. директора ГНУ «Всероссийский научно-исследовательский
институт использования техники и нефтепродуктов» Российской академии сельскохозяйственных наук
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА БИОДИЗЕЛЯ
Аннотация. Изучено влияние архитектуры многослойной персептронной сети на результаты прогноза плотности биодизеля при температуре 15°С, кинематической вязкости биодизеля при температуре 40°С, содержания механических примесей в биодизеле по физико-химическим показателям исходного сырья. Определена архитектура нейронной сети, обеспечивающая наименьшую ошибку прогноза.
Ключевые слова: нейронная сеть, качество биодизеля.
M.Y. Levin, All-Russian Research Institute of technology and products of the Russian Academy of Agricultural Sciences
S.A. Nagornov, All-Russian Research Institute of technology and products of the Russian Academy of Agricultural Sciences
APPLICATION OF NEURAL NETWORKS FOR PREDICTION OF QUALITY BIODIESEL
Abstract. The effect of multilayer perceptron network architecture on the results of the forecast density of biodiesel at 15 °C, the kinematic viscosity of biodiesel at 40 °C, the content of mechanical impurities in biodiesel on physico-chemical parameters of raw materials. The architecture of the neural network, which provides the smallest forecast error.
Keywords: neural network, the quality of biodiesel.
Особое место в технологическом процессе изготовления биодизеля отводится его испытаниям и контролю качества. Если при проверке топливо не соответствует положительной оценке, оно подвергается доработке с последующим повторным испытанием [1].
Получение биодизеля представляет собой сложный технологический процесс, качество конечного продукта в котором определяется в первую очередь качеством исходного сырья. Прогнозирование параметров качества биотоплива по физико-химическим показателям исходного сырья является важной задачей в химической промышленности.
В литературе описаны практические разработки применения нейронных сетей для моделирования различного рода инженерных систем [2]. Показано, что нейросете-вые модели - это универсальный механизм для моделирования функций и классификации объектов. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе [2, 3, 4].
В работе построена оптимальная архитектура нейронной сети для прогнозиро-
вания плотности, кинематической вязкости, содержания механических примесей по физико-химическим показателям исходного масла (для исследований принято рапсовое масло в качестве исходного сырья).
Таблица 1 - Характеристики массива данных
Значение параметра
Параметры Миним- Максим- Среднее
альное альное
Перекисное число, ммоль активного кислорода/кг 9 10 9,5
Цветное число, мг йода 85 95 89,81
ш 2 Кислотное число, мг КОН/г 4,0 6,0 4,96
X ч Массовая доля влаги и летучих веществ, % 0,25 0,27 0,26
О X Массовая доля нежировых примесей, % 0,15 0,20 0,17
т Массовая доля эруковой кислоты в масле, % к сумме жирных кислот 4,5 5 4,75
Температура вспышки экстракционного масла, °С 230 234 232
Выходные Плотность биодизеля при температуре 15°С, кг/м 860 900 879,22
Кинематическая вязкость биодизеля при температуре 40°С, мм2/с 3,50 5,0 4,22
Содержание механических примесей в биодизеле, мг/кг 0 24 11,61
Для оценки эффективности прогноза параметров качества биодизеля многослойной нейронной сетью с различной архитектурой был сформирован массив данных, содержащий информацию с показателями рапсового масла по ГОСТ 8988-2002 и показателями биодизеля по европейскому стандарту на метиловые эфиры жирных кислот для дизельных двигателей ЕЫ14214:2003. Принято, что физико-химические показатели рапсового масла изменяются по закону нормального распределения в пределах от марки Р до марки Т. Прогнозируемые параметры биодизеля также меняются по нормальному закону распределения (таблица 1). В массив добавлены шумовые значения.
Таблица 2 - Результаты прогнозирования параметров качества биодизеля нейронной сетью с различной архитектурой
Вид сети Среднеквадратичная ошибка прогноза
Плотности Кинематической вязкости Содержания механических примесей
7-4-3 1,03 0,05 0,45
7-7-3 0,81 0,09 0,65
7-10-3 2,48 0,07 0,92
7-13-3 1,13 0,29 1,41
7-15-3 0,64 0,07 0,76
7-21-3 2,12 0,13 1,33
Структурная идентификация нейросетевой модели состоит в выборе используемых функций активации, количества слоев сети и количества нейронов в каждом слое [2]. Выбор вида функции активации зависит от задач, для решения которых пред-
полагается использовать синтезируемую нейросетевую модель. Обычно в качестве функции активации выбирают логистическую функцию или гиперболический тангенс. Эти функции применимы для широкого круга задач [3, 4].
Из проведенных ранее исследований [5] известно, что результаты прогноза с наименьшей ошибкой, показывают нейронные сети с гиперболической функцией активации нейронов y = a ■ th(bx), где a и b - константы (a = 1,7159 и b = 2/3). Поэтому в работе изучалось влияние количества нейронов в скрытом слое на ошибку прогноза. А в качестве функции активации нейронов использовался гиперболический тангенс. При прогнозе с использованием нейронной сетью были использованы архитектуры сети с 4, 7, 10, 13, 15 и 21 нейроном в скрытом слое. При всех видах архитектуры сети был использован алгоритм переменной метрики как метод минимизации целевой функции.
Результаты прогнозирования параметров биодизеля с применением нейронной сети различной архитектурой сведены в таблице 2.
В кодовом обозначении «Вид сети» первые цифры обозначают количество входных параметров, последние - количество выходов; вторая цифра показывает количество нейронов в скрытом слое.
Лучший результат прогноза показателей качества биодизеля показала нейронная сеть с 15 нейронами в скрытом слое. Показано, что среднеквадратичная ошибка прогноза нейронной сетью с архитектурой 7-15-3 для плотности будет равна 0,64 кг/м3, для кинематической вязкости - 0,07 мм2/с, для содержания механических примесей -0,76 мг/кг.
Таким образом, нейронная сеть способна прогнозировать плотность, кинематическую вязкость, содержание механических примесей по физико-химическим показателям исходного масла с достаточно высокой точностью и может быть использована для оптимизации режимов получения биодизеля.
Список литературы:
1. Смирнова Т.Н., Подгаецкий В.М. Биодизель - альтернативное топливо для дизелей. Получение. Характеристики. Применение. Стоимость. URL: http://engine.aviaport.ru/issues/49/page32.html. (дата обращения: 10.12.2011)
2. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2004. - 344 с.
3. Круглов В. В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Изд-во физ.-мат. литературы, 2001.-224 с.
4. Хайкин, Саймон. Нейронные сети: полный курс, 2-е изд., испр.: пер. с англ. -М.: ООО «И.Д. Вильямс», 2006. - 1104 с.
5. Левин М.Ю., Шкатов В.В. Применение нейронных сетей для прогнозирования механических свойств горячекатаной листовой стали. Липецкий государственный технический университет // Вести высших учебных заведений Черноземья, 2011. № 1.
List of references:
1. Smirnova T.N., Podgaetsky V.M. Biodiesel - alternative fuel for diesel engines. Receiving. Char-
acteristics. Application. Value. URL: http://engine.aviaport.ru/issues/49/page32.html.
2. Ossowski S. Neural networks for information processing / Trans. Polish with ID Rudinsky. - Moscow: Finances and Statistics, 2004. - 344 p.
3. Kruglov V.V., Dli M.I., Golunov R.Y. Fuzzy logic and artificial neural networks. M. Univ Sci. Literature, 2001. - 224 p.
4. Haykin, Simon. Neural networks: a complete course, 2nd ed., Rev.: Lane. from English. - Moscow: Williams, 2006. - 1104 p.
5. Levin M.Yu., Shkatov V.V. Using neural networks to predict the mechanical properties of hot-rolled sheet steel. Lipetsk State Technical University // News of higher educational institutions Chernozem, 2011. Vol. 1.
