Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых Текст научной статьи по специальности «Компьютерные и информационные науки»

Максимальная концентрация паров ТХВ С™ (хтз >Се ) в точке установки водной завесы х1в рассчитывается при х^ = х^ = х^ /и ,fI (t) = 1 (блок 27), по ее величине рассчитываются оптимальное управляющее воздействие (блок 21) и оптимальная интенсивность водной завесы 1ОПТ (блок 22). Время начала ^ и окончания ^ постановки водной завесы (блок 28) определяется аналогично его определению в блоках 14-17, а продолжительность ее постановки ^ для опреде-

ления

I

ОПТ

рассчитывается по формуле tв = - (блок 23).

Момент начала постановки водной завесы *ь = , момент прекращения 12в = ^.

Время прибытия ТС для установки водной завесы в СЗЗ ^ге рассчитывается по формуле

iCJ _

lTC = "

R,

+1„

(блок 19), за пределами СЗЗ (на-

селенные места) t ?СМ - по формуле tHM = хв1 /и1 (блок 29).

По рассчитанным птс (блок 25), хв1 (блок 26), (блок 19) и ^^ (блок 29) формируется задание на постановку водной завесы (блок 30), содержащее следующие данные:

- оптимальная интенсивность 1ОПТ;

- минимальная ширина по фронту ОЗЗ ШФ;

- координата места установки хв1 (на плане объекта УХО и карте местности);

- необходимые ТС nTC;

- момент прибытия ТС tTC;

- момент начала постановки водной завесы tHs;

- продолжительность постановки tB.

Алгоритм оперативного управления реализован в виде программного модуля на языке Object Pascal в инструментальной среде Delphi 5.0 в составе программно-технического комплекса поддержки принятия решений.

Разработанный алгоритм оперативного управления реализован на объекте хранения и уничтожения химического оружия «Горный» (Саратовская область).

Литература

1. Методика прогнозирования развития и последствий аварийных ситуаций на объектах уничтожения химического оружия. ОКР. Шифр «Система» (первая редакция). М.: ФГУП ГосНИИОХТ, 2001. 123 с.

2. Разработка и обоснование перечня мероприятий, осуществляемый при ликвидации последствий чрезвынайнык ситуаций, применительно к возможным сценариям их развития / Промежуточный отчет по НИР «Конда»: Этап 2. Редкино: ОАО «РОКБА», 2001. 142 с.

u

УДК 004.896

ПРИМЕНЕНИЕ СРЕДСТВ МОДЕЛИРОВАНИЯ НЕЙРОСЕТЕЙ ДЛЯ АНАЛИЗА ПРЕДАВАРИЙНЫХ СИТУАЦИЙ НА БУРОВЫХ

Ф.Н. Абу-Абед (Тверской государственный технический университет, [email protected]);

Р.В. Допира, д.т.н. (НИИ «Центрпрограммсистем», г. Тверь, [email protected])

Методы решения прикладных задач с использованием технологии нейросетей находят широкое применение в различных областях науки и техники. К задачам, успешно решаемым нейросетями, относятся формирование моделей и различных нелинейных и трудно описываемых математически систем, прогнозирование развития этих систем во времени, применение на производстве, а также диагностика и прогнозирование нештатных ситуаций в сложных технических системах.

Ключевые слова: искусственные нейронные сети, сложные технические системы.

Искусственные нейронные сети (ИНС) являются видом математических моделей, которые строятся по принципу организации и функционирования их биологических аналогов - сетей нервных клеток (нейронов) мозга. В основе построения лежит идея о том, что нейроны можно моделировать довольно простыми автоматами (называемыми искусственными нейронами), а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами.

К задачам, успешно решаемым нейросетями на данном этапе их развития, относятся:

- распознавание зрительных, слуховых образов (от распознавания текста и целей на экране радара до систем голосового управления);

- ассоциативный поиск информации и создание ассоциативных моделей, синтез речи, формирование естественного языка;

- формирование моделей и различных нелинейных и трудно описываемых математически систем, прогнозирование развития этих систем во времени (применение на производстве, прогнозирование развития циклонов и других природных процессов, прогнозирование изменений курсов валют и других финансовых процессов);

- системы управления и регулирования с предсказанием; управление роботами, другими сложными устройствами;

- разнообразные конечные автоматы (системы массового обслуживания и коммутации, телекоммуникационные системы);

- принятие решений и диагностика, исключающие логический вывод, особенно в областях, где отсутствуют четкие математические модели (медицина, криминалистика, финансовая сфера).

Уникальное свойство нейросетей - универсальность. Благодаря универсальности и перспективности для решения глобальных задач, например, построения ИИ и моделирования процесса мышления, нейросети являются важным направлением исследования, требующим тщательного изучения.

Этапы обучения сети

Инициализация. Весовым коэффициентам и смещениям сети присваиваются малые случайные значения из диапазонов ^„т, Wmax) и (dWmjn, dWmax) соответственно.

Определение элемента обучающей выборки: (<текущий вход>, <желаемый выход>). Текущие входы (хо, х1; ..., хк-0 должны различаться для всех элементов обучающей выборки. При использовании многослойного персептрона в качестве классификатора желаемый выходной сигнал d1, ..., dN-1) состоит из нулей, за исключением одного единичного элемента, соответствующего классу, которому принадлежит текущий входной сигнал.

Вычисление текущего выходного сигнала. Данный сигнал определяется в соответствии с традиционной схемой функционирования многослойной нейронной сети.

Настройка синоптических весов. Для настройки весовых коэффициентов используется рекурсивный алгоритм, который сначала применяется к выходным нейронам сети, а затем проходит сеть в обратном направлении до первого слоя. Си-наптические веса настраиваются в соответствии с формулой Wjj(t+1) = Wjj(t)+rgjXj, где wjj - вес от нейрона i или от элемента входного сигнала i к нейрону ] в момент ^ xj - выход нейрона i или Ьй элемент входного сигнала; г - шаг обучения; gj -значение ошибки для нейрона |

Если нейрон с номером ] принадлежит последнему слою, то gj=Уj(1-Уj)(dj-yj), где dj - желаемый выход нейрона ^ у - текущий выход нейрона ^

Если нейрон с номером ] принадлежит одному из слоев с первого по предпоследний, то gj=x'j(1--х'|)^ wjk, где к пробегает все нейроны слоя с номером на единицу больше, чем у того, которому принадлежит нейрон |

Внешние смещения нейронов настраиваются аналогичным образом.

Рассмотренная модель может использоваться для распознавания образов, классификации, прогнозирования. Были попытки построения экспертных систем на основе многослойных персептро-нов с обучением по методу обратного распространения.

У этой модели нейронной сети есть недостатки. Многокритериальная задача оптимизации в методе обратного распространения рассматривается как набор однокритериальных - на каждой итерации изменяются значения параметров сети, улучшающие работу лишь с одним примером обучающей выборки. Такой подход существенно уменьшает скорость обучения.

Классический метод обратного распространения относится к алгоритмам с линейной сходимостью. Для увеличения скорости сходимости необходимо использовать матрицы вторых производных функции ошибки.

Несмотря на недостатки, обратное распространение - первый эффективный алгоритм обучения многослойных нейронных сетей, один из самых популярных алгоритмов обучения, с его помощью были решены и решаются многочисленные практические задачи.

Алгоритм обратного распространения - это итеративный градиентный алгоритм, используемый с целью минимизации среднеквадратичного отклонения текущего выхода многослойного пер-септрона и желаемого выхода.

Он используется для обучения многослойных нейронных сетей с последовательными связями. Нейроны в таких сетях делятся на группы с общим входным сигналом - слои. На каждый нейрон первого слоя подаются все элементы внешнего входного сигнала. Все выходы нейронов т-го слоя подаются на каждый нейрон слоя т+1. Нейроны выполняют взвешенное суммирование элементов входных сигналов. К сумме элементов входных сигналов, помноженных на соответствующие синаптические веса, прибавляется смещение нейрона. Над результатом суммирования выполняется нелинейное преобразование - функция активации (передаточная функция). Значение функции активации есть выход нейрона.

Рис. 1. Модель, созданная средствами MS Excel

Для разработки и проверки алгоритма обратного распространения ошибки была разработана модель на MS Excel (рис. 1).

Модель опробована на примере решения стандартной задачи вычисления значений функции XOR. Поэтому в исходном файле задается обучающая выборка (см. табл.).

Вычисления значений функции XOR

XOR Function

Xi X2 Y

0 0 0

1 0 1

0 1 1

1 1 0

В результате работы программы, которая состоит из 4 обработчиков, на Visual Basic For Applications в MS Excel моделируются процессы обучения сети, для которых исходные данные выбраны в соответствии с заданными отклонениями. Результаты работы показали хорошую сходимость использованного алгоритма обучения.

Разработанная библиотека классов (рис. 2) использована для моделирования нейросети и ее обучения решению задачи «Функция XOR».

Рис. 2. Структура классов для моделирования обучения нейросети

Результаты обучения (изменение весов связей) записывались в файл. По этим результатам построен график в MS Excel (рис. 3).

Аналогичный процесс обучения для тех же исходных данных смоделирован средствами Visual Basic. Результаты также представлены на графике (рис. 4).

Сравнение графиков позволяет сделать вывод о полной идентичности двух представленных моделей.

Решения прикладных задач

Методы решения прикладных задач с использованием технологии нейросетей находят широкое

Рис. 3. График процесса обучения на C++ Builder

Рис. 4. График процесса обучения на Visual Basic

применение в различных областях науки и техники.

Одной из сфер, где использование нейронных технологий перспективно, является диагностика и прогнозирование нештатных ситуаций в сложных технических системах [1]. Таковыми являются системы управления работой буровых установок, обеспечивающие выполнение основного производственного процесса в жизненно важных отраслях (добыча нефти и газа) [2].

В данной работе задача выявления предава-рийных ситуаций на буровой формализуется как совокупность следующих подзадач:

• определение состава информационных признаков, необходимых для анализа текущей ситуации на буровой и надежного предсказания приближения аварийной ситуации;

• определение структуры нейросети, необходимой для анализа выбранных признаков и формирования на выходе сигнала, предупреждающего о возможности возникновения аварии или о факте ее возникновения;

• разработка программного комплекса, реализующего разработанную структуру нейросети и обучение этой сети на реальных данных, описывающих нормальные режимы работы буровой и различного рода аварии;

• разработка средств сопряжения программного комплекса с информационной подсистемой системы управления работой буровой установки и определение способов использования результатов, выдаваемых программным комплексом, для принятия решений по управлению работой буровой.

Для анализа аварийных ситуаций первоочередной является задача распознавания состояния буровой, соответствующего определенному этапу технологического процесса, по имеющимся показаниям датчиков. На рисунке 5 показан график изменения состояний буровой вместе с графиком изменения одного из измеряемых параметров, в качестве которого выбран вес на крюке тальблока. Даже при беглом анализе графиков можно сделать вывод о взаимосвязи этих величин.

Для автоматизации решения задачи отбора наиболее информативных признаков для обучения нейросети распознаванию состояний буровой разработан программный комплекс, использующий ранее разработанную авторами библиотеку классов на языке С++ в среде программирования Borland C++ Builder.

Рис. 5. График изменения состояния буровой в процессе работы

Тестирование разработанной программы показало, что доля правильно распознанных векторов

обучающей выборки составила от 0,75 до 0,88 для различных состояний буровой.

Литература

1. Абу-Абед Ф.Н. Нейросетевые модели при проектировании технологии производства // Математ. и компьютер. моделирование естественно-научных и социальных проблем: сб. стат. II Междунар. науч.-технич. конф. молодых специалистов, аспирантов и студентов. Пенза: «Приволжский дом знаний», 2008. С. 133-135.

2. Лукьянов Э.Е., Стрельченко В.В. Геолого-технологические исследования в процессе бурения. М.: Нефть и газ, 1997. 688 с.

3. Каллан Р. Основные концепции нейронных сетей. М.: Издат. дом «Вильямс», 2001. 288 с.

4. Люггер ДЖ. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Издат. дом «Вильямс», 2003.

5. Заенцев И.В. Нейронные сети: основные модели: учеб. пособие. Воронеж, 1999. 76 с.

УДК 681.3:582.26

АЛГОРИТМ ДЛЯ ОПТИМАЛЬНОГО УПРАВЛЕНИЯ РОСТОМ БИОМАССЫ ВОДОРОСЛЕЙ

Н.А. Шилова (Северное отделение Полярного научно-исследовательского института морского рыбного хозяйства и океанографии им Н.М. Книповича, г. Архангельск, [email protected])

Рассмотрена модель, описывающая процесс роста биомассы водорослей в зависимости от освещенности и концентрации биогенов. Для определения оптимального управления ростом биомассы водорослей разработан алгоритм, реализованный в среде Borland Delphi Enterprise Version 7.0 (Build 4.453).

Ключевые слова: оптимальное управление, система прогнозирования, непрерывная модель роста биомассы водорослей.

Широкое использование продукции из водорослей в медицинской и пищевой промышленности повлекло за собой расширение их промысла. К тому же водоросли - важный компонент биоты, ежегодно образующий большое количество первичной продукции.

Учитывая значение водорослей для экосистемы прибрежья, особое внимание необходимо обратить на проблему рациональной эксплуатации их зарослей. С экологической точки зрения понятие рациональной эксплуатации биоресурсов определяет осуществление промысла с учетом предельных объемов изъятия промыслового объекта без разрушения, обеспечивающего возможность их полного восстановления и сохранения естественно сложившихся взаимосвязей всех компонентов экосистемы.

На рост водорослей влияет ряд природных факторов, таких как температура воды и воздуха, соленость, освещенность, концентрация биогенных элементов в среде.

В данной работе рассматривается программный комплекс, позволяющий спрогнозировать процесс роста биомассы водорослей в зависимо-

сти от условий окружающей среды и в результате получить максимальную прибыль от продажи сырья из водорослей с учетом затрат.

Для реализации программного комплекса была построена непрерывная модель, описывающая динамику развития биомассы морских водорослей.

Обозначим символом хф биомассу водоросли, - концентрацию биогенных элементов в среде в момент 1 В качестве параметра управления выступает функция иф, которая характеризует изменение уровня освещенности в единицу времени и удовлетворяет ограничению ио<и^)< —итах, где итах - максимальное значение уровня освещения.

При данных условиях управляемая модель динамики развития биомассы водорослей описывается системой дифференциальных уравнений

X(t) = ^(t)9(s(t)) x(t)

x(t)

u(t),

s(t) = D (sn - s(t)) - ^(t)9(s(t)).

(1)

1

x