CC BY
23
отклонения частоты генераторов, соответствовали процессам авторегрессии 1-го порядка;
- временные ряды не содержали детерминированных трендов.
Авторы понимают, что для более глубокого анализа необходимо проведение полномасштабных машинных экспериментов, но все же даже такая упрощенная процедура позволяет определить направление дальнейших исследований. Несмотря на значительные упрощения, указанные выше, результаты моделирования позволяют сделать следующие выводы. Квадрат ошибок прогнозов результатов измерений в процессе адаптации параметров моделей АР быстро убывает, что свидетельствует о движении процесса адаптации в нужном направлении. В то же время значения параметров авторегрессии (коэффициенты ф\Л = 1,2,3), двигаясь из точки 0 в нужном направлении, не достигают своих «истинных» значений даже при большом числе тактов, когда процесс адаптации фактически закончен.
Этот эффект может быть объяснен тем, что число подвекторов г, входящих в состав расширенного век-
тора г (уравнение (11)) на 1 меньше числа подвекторов р. Таким образом, мы имеем дело с недоопреде-ленной системой линейных уравнений, когда можно найти бесчисленное множество решений, доставляющих минимум целевой функции (11).
Чтобы избежать этой ситуации, необходимо минимизировать не ошибки прогнозов расширенного вектора г, а ошибки прогнозов оценок расширенного вектора у, т.е. следует понимать под измерительной системой не систему, выходом которой являются результаты измерений г5, а систему, дополненную программой получения оценок вектора у5. Тогда размерности векторов у5 и у5 будут совпадать.
Процедура адаптации не должна заменять предшествующую ей процедуру идентификации моделей АРСС. Начинать подстройку параметров моделей рекомендуется не из произвольной точки пространства параметров, а (по возможности) из точек многомерного пространства параметров, не слишком удаленной от их «истинного» значения.
Статья поступила 08.09.2014 г.
Библиографический список
1. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление / пер. с англ.; под ред. В.Ф. Писаренко. М.: Мир, 1974.
2. Ермольев Ю.М. Методы стохастического программирования. М.: Наука, 1976. 239 с.
3. Обработка данных, полученных по результатам взаимных измерений вторичного эталона времени и частоты / Ю.П. Хрусталев, В.М. Акулов, А.А. Ипполитов, Л.Н. Курышева // Вестник ИрГТУ. 2012. № 7. С. 22-29.
4. Серышева И.А., Хрусталев Ю.П. Метод стохастического квазиградиента в задаче адаптации прогнозирующих моделей // Вестник ИрГТУ. 2013. № 12. С. 25-30.
5. Стационарные и нестационарные характеристики обучения адаптивных фильтров, использующих критерии мини-
мума СКО / Б.Уидроу, Дж. М. Маккуи, М.Г. Ларимор, С.Р. Джонсон // ТИИЭР. 1976. Т. 64. № 8. С. 37-51.
6. Хрусталев Ю.П., Спиридонова Е.В. Алгоритмы обработки измерительной информации, получаемой в процессе хранения единиц времени и частоты. В сб.: Техника средств связи. Радиотехнические измерения. М., 1986. Вып. 1. С. 58-72.
7. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 399 с.
8. Khrustalev Yu.P. Statistical and dynamic processing of data obtained when handling time and frequency standards // Measurement Techniques. 2004. V. 47. № 6. P. 555-561.
9. Khrustalev Yu. P., Serysheva I. A. Increasing of robustness of estimators of the state of time and frequency standards // Measurement Techniques. 2014. V. 57. № 5. P. 519-525.
УДК 539.374+539.377
ВЫСОКОРАЗРЕШАЮЩИЕ ИССЛЕДОВАНИЯ ЗАКОНОМЕРНОСТЕЙ ФОРМИРОВАНИЯ ПОРЫВОВ ВЕТРА В АНКОРИДЖЕ
© М.С. Хлыстунов1, В.И. Прокопьев2, Ж.Г. Могилюк3
Московский государственный строительный университет, 129337, Россия, г. Москва, Ярославское шоссе, 26.
Рассмотрены результаты статистического анализа квантовых закономерностей формирования порывов ветра на территории Анкориджа в течение последних 35 лет. Приведены результаты статистического анализа эволюции экстремальных ветровых нагрузок на здания и сооружения на территории Анкориджа за период с 1972 по 2009 гг.
1Хлыстунов Михаил Сергеевич, почетный доктор технических наук, профессор кафедры прикладной механики и математики, тел.: 89857697387, e-mail: mcxmgsu@mail.ru
Khlystunov Mikhail, Doctor Honoris Causa of technical sciences, Professor of the Department of Applied Mechanics and Mathematics, tel.: 89857697387, e-mail: mcxmgsu@mail.ru
2Прокопьев Валерий Иванович, кандидат технических наук, профессор кафедры информатики и прикладной математики, тел.: 89857697387, e-mail: viprokopiev@mail.ru
Prokopiev Valery, Candidate of technical Sciences, Professor of the Department of Information Science and Applied Mathematics, tel.: 89857697387, e-mail: viprokopiev@mail.ru
3Могилюк Жанна Геннадиевна, кандидат технических наук, доцент кафедры прикладной механики и математики, тел.: 89857697387, e-mail: zhanna-2008@bk.ru
Mogiliuk Zhanna, Candidate of technical sciences, Associate Professor of the Department of Applied Mechanics and Mathematics, tel.: 89857697387, e-mail: mcxmgsu@mail.ru
Описаны статистические закономерности дискретного характера зависимости частоты реализации порывов ветра от скорости ветра. Обобщенные результаты статистического анализа и причинно-следственных связей формирования ветровых нагрузок подтверждают квантовый характер возбуждения порывов ветра в Анкоридже. Ил. 3. Библиогр. 6 назв.
Ключевые слова: здания и сооружения; ветровые нагрузки; порывы ветра; квантовые закономерности; статистический анализ.
HIGH-RESOLUTION STUDIES OF WIND GUST FORMATION REGULARITIES IN ANCHORAGE M.S. Khlystunov, V.I. Prokopiev, Zh.G. Mogiliuk
Moscow State University of Civil Engineering, 26 Yaroslavskoe Shosse, Moscow, 129337, Russia.
The article discusses the statistical analysis results of the quantum laws of wind gusts formed on the territory of Anchorage for the last 35 years. It presents the statistical analysis results of the evolution of extreme wind loads on buildings and structures located in Anchorage area from 1972 to 2009. It also describes the statistical regularities of the discrete nature of the dependence of wind gust frequency on wind speed. The generalized results of statistical analysis and causality of wind load formation prove the quantum nature of wind gust excitation in Anchorage. 3 figures. 6 sources.
Key words: buildings and structures; wind loads; wind gusts; quantum laws; statistical analysis.
Введение
Согласно последнему докладу межправительственной группы ООН по изменению климата (IPCC), опубликованному в International Business Times [3], практически все государства планеты не готовы к предупредительным мерам по адаптации жизненно важных отраслей экономики и населения к глобальному потеплению.
Отсутствие прогресса и общей позиции ведущих мировых научных школ по проблеме глобального изменения климата ставит в особенно сложное положение строительную индустрию практических всех государств, включая страны с высокоразвитой экономикой [6]. Взаимосвязь этой проблемы со строительной деятельностью и ее острота следует из прямой зависимости проектных решений (например, в 2014 году) от оценки рисков глобального изменения климата на глубину градостроительного планирования или на срок жизни строительных объектов и долгосрочность инвестиций, которые, как правило, достигают 100 лет и более.
В настоящее время это обусловлено каждодневной необходимостью выбора таких проектных решений, которые обеспечат необходимую безопасность и устойчивость строительных конструкци ко всем видам климатических и метеорологических нагрузок и воздействий на длительный период жизненного цикла объектов промышленного и гражданского строительства.
Среди таких нагрузок особое место занимает ветровая нагрузка, которая характеризуется как среднесуточной скоростью ветра, так и максимальными скоростями ударных ветровых воздействий на строительные конструкции. В связи с этим внимание авторов привлекла теория принципиальной нелинейности погоды Эдварда Лоренца и вытекающие из его теории риски порождения ураганов удаленными локальными аэродинамическими микропроцессами [4], однако этого оказалось недостаточно для оценки рисков реализации экстремальных климатических и метеорологических процессов на период жизненного цикла строительных объектов до 100 лет и более.
В связи с этим при поддержке Министерства образования и науки РФ (Задание № 2014/107 в рамках выполнения НИР «Разработка теоретических основ устойчивости зданий и сооружений в условиях природных, техногенных и комбинированных воздействий») были проведены высокоразрешающие («тонкие») статистические исследования неизвестных ранее механизмов возбуждения этих процессов. В настоящей статье представлены результаты фундаментальных исследований авторов роли микропроцессов на формирование ураганных порывов ветра [5]. Сопутствующей целью исследования являлась верификация гипотезы авторов о квантовом механизме реализации этих явлений.
Формулировка квантовой гипотезы Согласно основополагающему закону квантовой механики, для изменения параметров движения микрочастицы (в данном случае, молекулы атмосферы) ей необходимо придать момент импульса, равный постоянной Планка Л=1,054571726 10-4 Джс. Тогда для возбуждения порыва ветра каждой молекуле воздуха, участвующей в формировании порыва ветра, необходимо дополнительно придать момент импульса кт = АНт , равный постоянной Планка, то есть
И = АН = т А¥ г =П, (1)
т т т т тт > \ /
где тт - масса молекулы; Д\/т - приращение скорости молекулы, необходимое для формирования очередного порыва ветра; г^ - расстояние между молекулами. Следующий по росту скорости и моменту импульса порыв ветра также должен отличаться от порыва с меньшей скоростью на величину постоянной Планка.
В случае верности гипотезы статистическое распределение порывов ветра по скоростям для сухого воздуха должно иметь «гребенчатый характер», то есть
п!гт =пШт=пттМ'тгшп =пЬ
или
т г
т тт
где п - номер «всплеска или гребня» графика зависимости статистической частоты реализации порывов ветра от скорости.
Также следует учитывать, что количество молекул в единице объема воздуха атмосферы в общем случае зависит от приращения давления в порыве ветра, температуры, влажности и концентрации аэрозолей. Наряду с этим при формировании порывов ветра в воздухе повышается концентрация твердых и жидких аэрозолей (минеральная и органическая пыль, туманы и осадки в виде жидкой воды и ледяных кристаллов). Например, с учетом аэрозольных примесей формула (2) будет иметь следующий вид:
пЬ пТг -+-
nAVm + nAVjs =■
m r
m mm
mr
dust' dm
где AVdust *AVm -приращение скорости аэрозолей, захваченных порывом ветра; md - масса частиц аэрозолей и осадков; rdn - расстояние между частицами и молекулами воздуха.
Обобщая основное положение гипотезы, проведем квантовые расчеты по формированию порыва ветра для единицы объема атмосферы.
Статистический анализ данных метеорологических наблюдений
Единственным критерием истины гипотезы, в данном случае наличия гребенчатого характера статистического распределения скоростей порывов ветра, подчиняющегося законам квантовой механики, являются соответствующие результаты наблюдений в некотором множестве географических точек планеты.
Например, приращение скорости ветра AV, предположительно необходимое для формирования порыва ветра, вызовет приращение момента импульса в единице объема сухого воздуха, равное
K = AV р r . (3)
sro mmo \ '
Так как количество молекул в единице воздуха при
нормальных условиях равно N, каждой молекуле необходимо придать момент импульса
*=K
N
(4)
В реальных условиях количество молекул воздуха в единице объема и плотность воздуха зависят от температуры, давления, влажности и молекулярного состава атмосферы.
Оценки изменений влажности, температуры и концентрации аэрозолей, включая пыль, показали, что степень их максимального суммарного влияния на величину к не превышает 10%.
С этой целью и для обоснования фундаментального характера гипотезы авторы провели анализ реальных данных метеонаблюдений [1] по скоростям формирования порывов ветра в городах на разных континентах планеты, в том числе в Лондоне, Москве, Ниамее, Нью-Йорке и Токио. Эти материалы публикуются в специальной серии статей и докладов на международных конференциях. Отдельные результаты исследования квантовых закономерностей формирования порывов ветра были опубликованы авторами ранее в работе [5]. В настоящей статье рассматриваются детальные результаты аналогичных исследова-
ний в Анкоридже - городе США, расположенном в южной части штата Аляска.
Верификация квантовой гипотезы по данным метеонаблюдений в Анкоридже
В качестве базового массива данных используем данные метеонаблюдений в Анкоридже за период с 01.01.1973 г. по 31.08.1987 г. (5355 суток = 14,66 лет), а в качестве массива данных о текущем состоянии метеорологических процессов - данные аналогичных метеонаблюдений за период с 01.01.1995 г. по 31.08.2009 г. (5355 суток = 14,66 лет) [1]. Временной интервал между массивами составляет 22 года. Выбор большого интервала между массивами наблюдения позволяет устранить возможные случайные корреляционные проявления и взаимное влияние данных статистического анализа друг на друга. На рис. 1 приведен график зависимости количества порывов ветра в Анкоридже от скорости ветра з(У), м/с, в период с 01.01.1973 г. по 31.08.1987 г. и с 01.01.1995 г. по 31.08.2009 г. с разрешением = 0,5 м/с.
Кривые на рис. 1 за оба периода наблюдения носят гребенчатый характер, однако наблюдается существенное расширение кривых, что может сказаться на точности дальнейших расчетов. В связи с этим авторами был выполнен более детальный анализ данных с разрешением = 0,1 м/с. В результате был получен фактически линейчатый характер статистического распределения порывов ветра по скоростям, м/с, для периода наблюдения с 01.01.1995 г. по 31.08.2009 г., как показано на рис. 2.
Результаты анализа характера статистического распределения порывов ветра по скоростям для обоих периодов наблюдения позволяют установить зависимость скоростей формирования порывов ветра от номера пика У(п) их статистического распределения (рис. 3).
Начало нумерации пиков в данном случае было выбрано условно, то есть начиная с наиболее резко выраженного на кривых на рис. 1 и 2. Точные значения скоростей пиков, м/с, указаны над соответствующим столбцом диаграммы на рис. 3.
В соответствии с диаграммой на рис. 3 приращение скорости между пиками формирования порывов ветра А¥ , м/с, составляет (в среднем)
AV = V26ZR
52,1 - 55,6
= 1,86.
. (5)
25 25
По аналогии с расчетами (3) и (4), используя полученное значение для среднего приращения скорости между соседними пиками распределения порывов ветра по скоростям формирования (5), вычислим момент импульса К , Дж-с, необходимый для формирования порыва ветра как в единице объема воздуха, так и для одной молекулы:
К = AVspormmo = 1,86 х 1,228 х 1,025 х 10-9 = = 2,34 х 10-9.
(6)
Отсюда момент импульса К, Дж-с, в среднем на одну молекулу будет составлять:
вМ
900 800 700 600 500 400 300 200 100 0
-100
1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 2*4, м/С Рис. 1. График зависимости количества порывов ветра в Анкоридже з(У) от скорости ветра V (разрешение йУ = 0,5 м/с): кривая 1 - по данным с 01.01.1973 г. по 31.08.1987 г.; кривая
2 - по данным с 01.01.1995 г. по 31.08.2009 г.
1 . 2
1 1
1
4+-
ж \Д А
\
Л
s(V)
800 т
-100 х
1 51 101 151 201 251 301 351 401 451 501 10*V,
Рис. 2. График (1) зависимости количества порывов ветра в Анкоридже s(V) от скорости ветра V
(разрешение dV = 0,1 м/с): кривая 1 - по данным с 0l.01.1995 г. по 31.08.2009 г.; кривая 2 - огибающая кривой 1; кривая 3 - огибающая графика s(V) по данным с 01.01.1973 г. по 31.08.1987 г.
V(n), м/с
ч <ч S N ; о il ш ю * ™
s 5 ;
M 1 1 1 1 1 1 1
...Uli INI И
НЕ И mwmm и н п п н и н п н н н п н и н н и i TlTii и и и и и и и » и и и » и и и » и и и и i
_ :■:■.■. : ■ -- ■_ ■ 'V " " :■ ,-. г: П
Рис. 3. Диаграмма зависимости скоростей формирования порывов ветра от условного номера пика У(п)
их статистического распределения в Анкоридже
к = К = 2,34 Х1Г925 = 1,1267x10-34. (7) N 2,07689 х1025
Таким образом, полученный момент импульса превышает значение постоянной Планка не более, чем на 6,4%:
к к
1,1267 х 10 -1,054571726 х 10-
-х100% =
= ■ (8)
1,1267 х10-34 = +6,4%
Данное превышение значения постоянной Планка вполне объяснимо и является следствием колебаний температуры, влажности и концентрации аэрозолей.
Например, для Анкориджа характерны туманы и осадки в виде жидкой воды и ледяных кристаллов: только изменение температуры в период наблюдений в пределах ±20°С может привести к изменению плотности более 10%, чем объясняется погрешность (8).
Заключение
Проблема роста рисков аварий строительных конструкций зданий и сооружений, как в России, так и за рубежом, существенно обостряется не прогнозируемым ранее ростом амплитуды колебаний мощности аэродинамических процессов. Особое место среди явлений, связанных с аэродинамическими процессами, в высотном строительстве занимают резкие порывы ветра, ураганы, смерчи и торнадо.
Обобщенные результаты статистического анализа аэродинамических проявлений глобального изменения климата показывают, что наибольшую угрозу для различных сфер человеческой деятельности, в том числе для строительных конструкций, лесного и паркового хозяйства, морского и воздушного транспорта, представляет не только глобальное потепление, но и риск реализации на урбанизированных территориях экстремальных ветровых процессов.
При сохранении такой тенденции на текущий период градостроительного планирования (например, 100 лет) вполне реален риск роста интенсивности этих явлений.
Такое вполне вероятное развитие процесса глобального изменения климата не может оставаться без внимания инвесторов, саморегулируемых организаций, собственников строительных объектов, управляющих и энергетических компаний, страховщиков и, в
первую очередь, муниципальных, региональных и федеральных служб регулирования и планирования градостроительной деятельности, а также авиационных и морских транспортных компаний.
Эта проблема, как в России, так и за рубежом, существенно обостряется не прогнозируемым ранее ростом интенсивности и иных, аварийно-опасных техногенных и природных климатических и геолого-геофизических процессов и факторов, которые являются причиной реализации новых и, как следствие, ненормированных комплексных сверхпроектных нагрузок и воздействий на объекты техносферы [2].
Верификация авторами квантовых закономерностей формирования порывов ветра также и в других городах на разных континентах планеты [5] подтверждает их фундаментальный характер.
Статья поступила 29.10.2014 г.
Библиографический список
1. Метеоданные // Каталог открытой геоинформации [Электронный ресурс]. URL: Ь|Йр://орепдеоЬа1а.ги/метеоданные
2. Хлыстунов М.С., Могилюк Ж.Г. Метод и алгоритм оценки снижения остаточного ресурса надежности элементов строительных конструкций зданий и сооружений // Вестник МГСУ. № 2 (2). С. 196-201.
3. Climate Change 2013. The Physical Science Basis/Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. UK.: Cambridge University Press, 2013. 1536 р.
4. Hilborn R.C. Sea gulls, butterflies, and grasshoppers: a brief history of the butterfly effect in nonlinear dynamics // American Journal of Physics. 2004. № 72 (4). P. 425-427.
5. Hlystunov M.S., Prokopjev V.I., Mogiljuk Zh.G. Quantum Regularities of Shock Wind Processes Formation // World Applied Sciences Journal. 2013. № 26 (9). P. 1219-1223.
6. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation Special Report of the Intergovernmental Panel on Climate Change. UK.: Cambridge University Press, 2012. 582 p.
УДК 519.7
ЛОГИЧЕСКИЙ ПОДХОД К СИНТЕЗУ ОПТИМАЛЬНОГО АЛГОРИТМА РАСПОЗНАВАНИЯ
© Е.В. Шматова1
Институт прикладной математики и автоматизации,
360000, Россия, Кабардино-Балкарская Республика, г. Нальчик, ул. Шортанова, 89а.
Рассматривается логический подход к построению алгоритма, входными данными которого являются уже работающие с той или иной точностью алгоритмы распознавания на заданной предметной области. Целью проводимого исследования является нахождение логических операций, позволяющих объединить уже имеющиеся алгоритмы в один, дающий наиболее качественные ответы. Для этого строится дискретный аналог среднего по Колмогорову и проводится оценка мощности класса функций, улучшающих работу алгоритмов поставленной задачи. Табл. 4. Библиогр. 4 назв.
Ключевые слова: алгоритм; k -значная логика; среднее по Колмогорову; аксиомы среднего.
LOGICAL APPROACH TO SYNTHESIS OF THE OPTIMAL RECOGNITION ALGORITHM E.V. Shmatova
Institute of Applied Mathematics and Automation,
89a Shortanov St., Nalchik, Kabardino-Balkaria Republic, 360000, Russia.
The paper considers a logical approach to the development of an algorithm, whose input data are recognition algorithms in a given domain already operating with some accuracy. The objective of the undertaken research is to find logical operations enabling to combine the existing algorithms into the one that can provide best-quality answers. For this purpose, the author constructs a discrete analog of the Kolmogorov average and evaluates the capacity for the class of functions improving the operation of the algorithms for the set task. 4 table. 4 sources.
Key words: algorithm; K valued logic; the Kolmogorov average; axioms of the average.
1Шматова Елена Витальевна, младший научный сотрудник отдела интеллектуализации информационных управляющих систем, e-mail: lenavsh@yandex.ru
Shmatova Elena, Junior Researcher of the Department of Information Control System Intellectualization, e-mail: lenavsh@yandex.ru
