CC BY
12
689/21002 Instruction on filling in the form of primary registration document No. 044 / o "Card of the patient who is being treated at the physiotherapeutic department ( cabinet) ".
2. About Denishi sanatorium. - [Electronic resource]. - Mode of access: http://denyshi.com.ua/.
3. Lupin S.A., Milekhina T.V. A method for solving scheduling tasks focused on cluster computing systems / Izvestiya VUZov. Sir Electronics: Sci. Tech. magazine. 2007 N6. - P. 63-69
4. Danilchenko, A.O., Paninev A.V., Skachkov V.O. Development of an effective algorithm for finding an optimal solution of the problem of steam-matching
with "vanishing" arcs // East European Journal of Advanced Technologies. Kharkiv 2017. Volume 1 No. 4. Pp. 4-16. Access mode: http ://j ournals.uran.ua/eej et/is-sue/view/5549. DOI 10.15587/1729-4061.2017. 92226
5. Counts and algorithms. Data structures. Computational models / VE Alekseev, V.A. Talanov. - Internet University of Information Technologies -INTUIT.ru, BINOM. Laboratory of Knowledge, 2006. - 320p.
6. Li Wenxia, Patrikeev E., Xiao Dongmei. (2015). A DNA Algorithm for the Maximal Matching Problem. Automatics and robot, 10,106-112. doi: 10.1134/s0005117915100070
ПРОГНОЗИРОВАНИЕ КОЛИЧЕСТВА ПЕРЕВЕЗЕННОГО ГРУЗА ЖЕЛЕЗНОДОРОЖНЫМ ТРАНСПОРТОМ ПУТЕМ АНАЛИЗА ВРЕМЕННОГО _РЯДА._
Добрынин Евгений Андреевич
магистрант ВШИТАС САФУ, г. Архангельск Заручевская Галина Васильевна
доцент, к.т.н. ВШ ИТАС САФУ, г. Архангельск
АННОТАЦИЯ
Данная работа направлена на исследование прогноза грузоперевозок Архангельской области, выполняемых с использованием железнодорожного транспорта за последние пять лет. В настоящий момент отсутствуют научные работы в прогнозировании объемов грузоперевозок Северной железной дорогой. Автор статьи использует аппарат анализа временных рядов для прогнозирования объемов перевозимого груза и предлагает рекомендации для увеличения объемов грузоперевозок Северной железной дорогой.
ABSTRACT
This work is aimed at the study of the forecast of cargo transportation in the Arkhangelsk region carried out using rail transport over the past five years. At the moment there are no scientific works in forecasting the volumes of cargo transportation by the Northern Railway. The author of the article uses the time series analysis tool to predict the volume of cargo being transported and offers recommendations for increasing the volume of cargo transportation by the Northern Railway.
Ключевые слова: анализ временных рядов, прогнозирование, статистика, сезонность.
Keywords: time series analysis, forecasting, statistics, seasonality.
Данная статья была написана с целью анализа количества перевезенного груза железнодорожным транспортом Архангельской области. Исходные данные представлены в формате временного ряда. В данном ряде, представленном в таблице 1, присутствует аддитивная взаимосвязь между его компонентами, то есть значение функции складывается Таблица 1.
из суммы тренда, сезонной и случайной компо-нент[1, с. 35].
Сглаживаем исходный временной ряд методом центрированной скользящей средней, используя весовые коэффициенты:
=1/12(1/2 , 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1/2)
Объемы грузопе эевозок по Северной железной дороге в 2013-2017 гг, тыс.т.
2013 2014 2015 2016 2017
Январь 64,25 61,12 59,96 62,06 63,27
Февраль 62,80 65,01 67,30 64,03 66,27
Март 62,28 60,16 64,54 59,26 61,33
Апрель 57,66 58,78 61,78 59,68 60,84
Май 55,98 57,07 56,56 57,94 59,07
Июнь 54,30 55,36 51,34 56,20 57,30
Июль 52,62 53,65 56,39 54,46 55,53
Август 52,62 54,46 56,39 53,65 55,53
Сентябрь 53,06 54,92 56,85 54,09 55,99
Октябрь 50,87 49,13 54,94 48,39 50,09
Ноябрь 56,81 54,05 53,02 54,88 55,95
декабрь 60,98 57,00 57,54 58,92 62,17
В результате получаем временной ряд, который показывает предварительное значение тренда.
Далее из значений исходного временного ряда вычитаются сглаженные значения, в результате чего получаем ряд, содержащий сезонную и случайную компоненту[2, с. 58]. Затем усредняем полученные значения за каждый месяц и корректируем средние значения сезонной компоненты таким образом, чтобы их сумма была равна нулю.
На основании коррелограммы был сделан вывод о том, что период сезонности равен 12 меся-
На следующем этапе проводим десезонализа-цию данных, вычитая соответствующие значения сезонной компоненты из фактических значений нашего временного ряда за каждый месяц. В результате получаем ряд, состоящий из тренда и случайной компоненты. По графическому представлению ряда подбираем кривую роста (рисунок 2).
60 59 58 57 56 55 54 53
пт
у = 0,0176х + 55,771 Я2 = 0,0403
10
20
30
40
50
60
70
Рисунок 2. Десезонализация ряда и подбор кривой роста
0
цам. График коррелограммы представлена на рисунке 1.
611988651
Ряд1; 22; -0,3 Ряд1; 21; -0, 446560458 Ряд1; 20; -0,2 Ряд1; 19; -0,2 □ Ряд1; 18; -Ряд1; 17; -0,3 □ Ряд1;
4133 7151
Ряд1; 10; -0,3 Ряд1; 9; -0,з477477Е2 Ряд1; 8; -0,3 Ряд1; 7; -0,28
□ Ряд1; 6; Ряд1; 5; -0,3
□ Ряд1; 4;
86542425 70388503
1,205120575 780001 /8 -
16; -0,130045556 [
8573387 0988928 0,188901342 636264
-0,182757578
Ряд1; 23; 0,0338834
Ряд1; 15; 0,18361605
Ряд1; 11; 0,08215
Ряд1; 3; 0,14
Ряд1; 24; 0
363356679
Ряд1; 12; 0,320641679 089
2964488
Ряд1; 14; 0
Ряд1; 2; 0,535321629
Ряд1;
570815229 ■ Ряд1;
25; 0,9525292
53
13; 0,8664502
Ряд1; 1; 0,9289893
17
Рисунок 1. Коррелограмма
Далее проводим расчет значений случайной путем сложения трендовой и сезонной компонент. компоненты, после чего осуществляем прогнози- Расчеты полученного точечного и интервального рование тренд-сезонного экономического процесса
прогноза представлены в таблице 2, а график прогноза на рисунке 3.
Таблица 1.
Прогноз объемов грузоперевозок по Северной железной дороге на 2018 г, тыс. т.
^ номер месяца Шу, значения тренда Б] - сезонная компонента Прогноз Нижняя граница прогноза Верхняя граница прогноза
61 56,846 5,045 61,891 53,250 70,533
62 56,863 9,404 66,268 57,626 74,909
63 56,881 3,111 59,992 51,350 68,634
64 56,899 4,031 60,929 52,288 69,571
65 56,916 -9,641 47,275 38,633 55,917
66 56,934 -3,664 53,270 44,628 61,912
67 56,952 -1,101 55,850 47,209 64,492
68 56,969 -1,149 55,821 47,179 64,462
69 56,987 -0,728 56,259 47,617 64,900
70 57,004 -7,727 49,278 40,636 57,919
71 57,022 -2,127 54,895 46,253 63,537
72 57,040 4,546 61,586 52,944 70,227
верх; 62;
74,90949605
верх; 72; 70,227227
ерх; 71; 63,536592 ноз; 72; 61,58550
39
57,91924902 Прогноз; 71;
У394£7Й194378652
нижн; 70
жн; 71; 46,253151
40,63580765
46
нижн; 65; 38,63323
Прогн
оз
нижн
верх
Рисунок 5. График прогноза
Модель прогноза проверена на адекватность методом RS-критерия. Расчетное значение RS-критерия попадает в интервал [3,47...4,89], следовательно, свойство нормального распределения выполняется. Таким образом, модель адекватна по нормальности распределения остаточной компоненты.
Прогноз показал, что объемы перевезенного груза будут примерно такими же, как и в предыдущие периоды. Это означает, что если не появятся новые клиенты на перевозку груза или текущие
клиенты не изменят количество заказов, то объемы грузоперевозки не изменятся.
Для увеличения объемов перевозимого груза можно предпринять следующие меры:
1) привлечение новых клиентов;
2) ускорение погрузочно-разгрузочных операций;
3) улучшение вместимости и количества подвижного состава.
Увеличение грузооборота возможно за счет создания новых производств в регионе, что способствует экономическому подъему и росту благосостояния населения.
Список литературы:
1. Афанасьев, В. Н. Анализ временных рядов и прогнозирование / В.Н. Афанасьев, М.М. Юзба-шев. - М.: Финансы и статистика, Инфра-М, 2014. - 320 а
2. Бокс, Дж. Анализ временных рядов прогноз и управление (часть 2) / Дж. Бокс, Г. Дженкинс. -М.:, 2018. - 890 с.
3. Конкина, Вера Анализ временных рядов и прогнозирование затрат / Вера Конкина. - М.: Palmarium Academic Publishing, 2013. - 136 с.
ВЛИЯНИЕ МЕХАНОАКТИВАЦИИ ИНГИБИТОРОВ НА ОСНОВЕ БЕНЗОТРИАЗОЛА НА КОРРОЗИЮ ЦИНКОВОГО ПОКРЫТИЯ В _СЛАБОКИСЛЫХ СРЕДАХ_
Ольга Михайловна Канунникова,
докт.физ.-мат. наук, ведущий научный сотрудник УдмФИЦ, Ижевск
Валерия Викторовна Аксенова, канд.физ.-мат. наук, научный сотрудник УдмФИЦ, Ижевск
Бажен Евгеньевич Пушкарев, канд.физ.-мат. наук, старший научный сотрудник УдмФИЦ, Ижевск
Владимир Иванович Ладьянов, докт.физ.-мат. наук, зав. отделом УдмФИЦ, Ижевск
АННОТАЦИЯ
Исследовано влияние механоактивации в шаровой планетарной мельнице на состав и свойства двух групп ингибиторов коррозии: первая группа - на основе бензотриазола и циклогексиламина, вторая группа - на основе бензотриазола и морфолина. Целью работы являлось исследование влияния условий, близких к условиям реальной эксплуатации ингибиторов на их защитные функциональные свойства в отношении цинкового покрытия. Механоактивация не изменяет тип кристаллической решетки ингибиторов, но при этом происходит протонирование атомов азота в гетероциклах и деструкция циклических структур с простыми одинарными связями. Углеводородные ароматические структуры в составе молекул ингибиторов не изменяются. Коррозия цинкового покрытия проводилась в сульфатно-хлоридной и боратной средах. Явной зависимости скорости коррозии цинкового покрытия от площади молекул, гидрофобности и соотношения протонированной и непротонированной форм ингибиторов в коррозионных растворах не выявлено. Различие во взаимодействии ингибиторов первой и второй групп с поверхностью цинкового покрытия проявляется в различии состава адсорбированного слоя ингибитора и топографии прокорродировав-шей поверхности.
ABSTRACT
The effect of ball milling on the composition and properties of two groups of corrosion inhibitors was studied: the first group-based on benzotriazole and cyclohexylamine, the second group based on benzotriazole and morpholine. The aim of the work was to study the effect of conditions close to the conditions of actual operation of inhibitors on their protective functional properties in relation to zinc coating. Mechanoactivation does not change the type of crystal lattice of inhibitors, but the protonition of nitrogen atoms in heterocycles and the destruction of cyclic structures with single bonds occur. Hydrocarbon aromatic structures in the composition of inhibitor molecules do not change. Zinc mating corrosion was carried out in sulfate-chloride and borate media. The dependence of the zink coating corrosion rate on the area of the molecule, the hydrophobicity and the ratio protonirovanie and nonprotonated forms of corrosion inhibitors in the solutions is not there are revealed. The difference in the interaction of inhibitors of the first and second groups with the zinc coating surface is manifested in the difference in the composition of the adsorbed layer of the inhibitor and the topography of the corroded surface.
Ключевые слова: ингибиторы, механоактивация, цинковое покрытие, коррозия.
Key words: inhibitors, mechanical activation, zinc coating, corrosion.
Цинк широко применяется в качестве покрытия металлических конструкций для защиты их от коррозии. Различные стальные оцинкованные изделия с успехом эксплуатируют в условиях, при которых они контактируют с водной средой. Однако в технической литературе опубликовано сравнительно мало данных о коррозии цинковых покрытий в водных средах. Нередко такие данные носят противоречивый характер, что затрудняет их сопоставление.
Известно, что скорость коррозии цинка и цинковых покрытий в нейтральных и слабокислых средах при нормальных условиях невысока. Однако на практике скорость коррозии цинка определяется комплексом факторов, которые должны рассматриваться при оценке возможности его использования.
В данной работе условия эксплуатации ингибиторов моделировались механоактивацией в шаровой планетарной мельнице. В ходе механоакти-вации образец подвергается двум видам внешних
