Создание базы знаний в области вибрационного горения средствами Data Mining В.С. Абруков, В.В. Афанасьев, Н.А. Тарасов, Е.В. Карлович, Афанасьев В.Н.,

Презентация:



Advertisements
Похожие презентации
Чувашский государственный университет имени И. Н. Ульянова Кафедра прикладной физики и нанотехнологий DATA MINING В НАУЧНЫХ ИССЛЕДОВАНИЯХ В.С. АБРУКОВ,
Advertisements

Создание моделей системы поддержки принятия решений и управления вузом Абруков В.С. Чувашский государственный университет Кафедра прикладной физики и.
Кафедра теплофизики - лучшая кафедра ЧГУ 2006, 2008 и 20..? год.
Использование нейросимулятора при определении внешнего вида ребенка по параметрам родителей.
Одно из наиболее перспективных направлений разработки принципиально новых архитектур вычислительных систем тесно связано.
Лекция 6. Нейронные сети Хопфилда и Хэмминга Среди различных конфигураций искусственных нейронных сетей (НС) встречаются такие, при классификации которых.
Автор: студент группы С-83 Потапенко Владимир Москва 2012 г.
© ElVisti Лекция 10 Основные сведения о нейронных сетях Дмитрий Владимирович ЛАНДЭ МЕЖДУНАРОДНЫЙ СОЛОМОНОВ УНИВЕРСИТЕТ.
Использование нейронных сетей для прогнозирования изменений на фондовом рынке Михаил Бондаренко 14 August
Кафедра фотоники и оптоинформатики Санкт-Петербургский государственный университет информационных технологий, механики и оптики А.В.Павлов Оптические Технологии.
Нейросетевые технологии в обработке и защите данных Обработка данных искусственными нейронными сетями (ИНС). Лекция 5. Алгоритмы обучения искусственных.
1. Комплексные геологоразведочные работы на нефть и газ 2. Комплексные геологоразведочные работы на рудные МПИ 3. Нейроинформационные технологии.
1. Cведения о нейронах и искусственных нейросетях.
Система управления РТК Основная задача системы управления роботом – автоматизация деятельности человека-оператора. Составные части: Система технического.
Моделирование и исследование мехатронных систем Курс лекций.
Тема 10. Архитектура и алгоритмы обучения НС Основные парадигмы нейронных сетей обучения с учителем Однослойный перцептрон f f f х1.
Распознавание оптических образов (символов) с помощью однослойного персептрона Методические указания по дисциплинам «Системы искусственного интеллекта»,
Корреляционный анализ детерминированных дискретных сигналов.
МОДУЛЬНАЯ АРХИТЕКТУРА НС. Каждая входная переменная связана только с одним из входов модулей. Выходы всех входных модулей соединены с модулем решения.
Липецкий государственный технический университет Кафедра прикладной математики Кузьмин Алексей Сергеевич Распознавание образов сверточными искусственными.
Транксрипт:

Создание базы знаний в области вибрационного горения средствами Data Mining В.С. Абруков, В.В. Афанасьев, Н.А. Тарасов, Е.В. Карлович, Афанасьев В.Н., Семенов Ю.В. Чувашский государственный университет Кафедра теплофизики

Data Mining Data Mining – комплекс современных средств предобработки, обработки, анализа и представления данных. Data Mining включает в себя - деревья решений, искусственные нейронные сети (ИНС), самоорганизующиеся карты Кохонена

Искусственные нейронные сети - ИНС ИНС – средство аппроксимации многомерных экспериментальных данных Основное средство создания вычислительных моделей объекта В основе применения ИНС лежит теорема Колмогорова – Арнольда о возможности представления непрерывной многомерной функции с помощью суперпозиции функций одной переменной.

ИНС ИНС используют принципы работы человеческого мозга Компьютерные эмуляторы ИНС похожи на обычные компьютерные программы. Отличие в том, что реально они начинают работать только после «обучения на примерах» (базе данных примеров) Компьютерные эмуляторы ИНС похожи на обычные компьютерные программы. Отличие в том, что реально они начинают работать только после «обучения на примерах» (базе данных примеров) В этом смысле они похожи на детей

Часть биологической нейронной сети

Схема биологического нейрона Рис Взаимосвязь биологических нейронов

Схема искусственного нейрона Искусственный нейрон состоит из входов, синапсов, сумматора, аксона, нелинейного преобразователя (функции активации). Здесь: xi - компоненты входного вектора (входные данные); wi - веса синапсов (i = 1..., n); S - результат суммирования; Y – передаточный сигнал нейрона; F - нелинейный преобразователь (функция активации).

Виды искусственных нейронных сетей ИНС представляют собой некоторое количество нейронов, соединенных между собой разным образом.

Пример нейронной сети Схема ИНС, которая состоит из входного, скрытого и выходного слоя.

Пример нейронной сети Входная информация поступает на первый слой, затем на второй слой и так далее. После прохождения каждого слоя, информация изменяется в соответствии с весом каждого синапса каждого нейрона, результатами суммирования и «функцией активации». Вес синапса - число, которое отражает относительный вклад вычисления каждого синапса каждого нейрона в конечный результат (выходной сигнал).

Обучение ИНС Задача обучения ИНС состоит в подборе таких синаптических весов, при которых входная информация (входной сигнал – многмерный вектор) будет правильно преобразовываться в заранее известный результат (выходной сигнал). Существуют несколько хорошо зарекомендовавших себя методов обучения ИНС. Наиболее распространенный - методобратного распространения ошибки.

Обучение ИНС

Базы данных для обучения ИНС могут быть сформированы различными способами Качество базы данных – главное условие успешного применения ИНС.

Экспериментальные данные по вибрационному горению Вибрационное горение является автоколебательным процессом, возникновение и прекращение которого определяется параметрами камеры сгорания, параметрами горючей смеси, газодинамикой и акустикой горения, условиями тепло- и массообмена. Накоплено очень много экспериментальных данных. Вопрос заключается в следующем – можно ли их обобщить и представить в виде, позволяющем предсказывать условия возникновения и прекращение вибрационного горения?

Цель работы Создание базы знаний в области вибрационного горения – совокупности многофакторных моделей обобщающих закономерности горения, выраженные в экспериментальных данных, с помощью средств Data Mining Цель данного доклада – представление первых полученных результатов - вычислительных моделей вибрационного горения

Результаты работы К настоящему времени на основе экспериментальных данных по вибрационному горению, взятых нами из результатов собственных исследований, получено несколько ИНС моделей вибрационного горения За параметр определяющий возникновение или прекращение вибрационного горения в модельной камере сгорания – «поющем пламени» (пламя в трубе-резонаторе) было взято акустическое давление

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Данная модель позволяет определять акустическое давление (АД) через длину газоподводящего тракта, расход воздуха и горючего газа Данная модель позволяет определять акустическое давление (АД) через длину газоподводящего тракта, расход воздуха и горючего газа Схема построения ИНС модели была следующая Схема построения ИНС модели была следующая Были собраны данные по АД, измеренному для различных длин газоподводящего тракта (горелки), расходов воздуха и пропана Были собраны данные по АД, измеренному для различных длин газоподводящего тракта (горелки), расходов воздуха и пропана

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Затем была выбрана соответствующая собранной базе данных архитектура ИНС и проведено ее «обучение». Затем была выбрана соответствующая собранной базе данных архитектура ИНС и проведено ее «обучение». Обучение заключалось в том, что различные наборы значений относительных длин газоподводящего тракта (горелки), расходов воздуха и пропана подавались на входной слой ИНС, а соответствующие им значения АД устанавливались в выходном слое ИНС Обучение заключалось в том, что различные наборы значений относительных длин газоподводящего тракта (горелки), расходов воздуха и пропана подавались на входной слой ИНС, а соответствующие им значения АД устанавливались в выходном слое ИНС

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Полученная ИНС модель представляет собой модель типа «чёрного ящика». Полученная ИНС модель представляет собой модель типа «чёрного ящика». Полученный «чёрный ящик» может использоваться для определения (предсказания) АД в системе «поющего пламени» следующим образом. Значение длины горелки, расходов воздуха и пропана, интересующие исследователя, устанавливаются во входном слое ИНС Полученный «чёрный ящик» может использоваться для определения (предсказания) АД в системе «поющего пламени» следующим образом. Значение длины горелки, расходов воздуха и пропана, интересующие исследователя, устанавливаются во входном слое ИНС После этого «черный ящик» мгновенно вычисляет соответствующее АД и тем самым определят наличие или отсутствие вибрационного горения После этого «черный ящик» мгновенно вычисляет соответствующее АД и тем самым определят наличие или отсутствие вибрационного горения

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Часть данных, использованных при создании ИНС модели Часть данных, использованных при создании ИНС модели

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Структура ИНС

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Результаты ИНС модели

Модель «Зависимость акустического давления от длины газоподводящего тракта, расхода воздуха и горючего газа» Сравнение результатов, полученных с помощью ИНС модели и реальных экспериментальных результатов

Модель «Зависимость акустического давления от относительной длины газоподводящего тракта и концентрации пропана в смеси» Данная модель позволяет определять акустическое давление (АД) через относительную длину газоподводящего тракта и концентрацию пропана в смеси Данная модель позволяет определять акустическое давление (АД) через относительную длину газоподводящего тракта и концентрацию пропана в смеси

Модель «Зависимость акустического давления от относительной длины газоподводящего тракта и концентрации пропана в смеси» Часть данных, использованных при создании ИНС модели (всего – 60 строк) Часть данных, использованных при создании ИНС модели (всего – 60 строк) L/lyamdaP, ДбC3H8,% L/lyamdaP, ДбC3H8,% 0,2544,4 0,2544,4 0,25644,4 0,25644,4 ……………………………………………………… ……………………………………………………… 0,31784,4 0,31784,4 0,33834,4 0,33834,4 0,38904,4 0,38904,4 0,45944,4 0,45944,4 0,51924,4 0,51924,4 ……………………………………………………… ……………………………………………………… 1,15584,4 1,15584,4 1,2834,4 1,2834,4 0,2964 0,2964 0, ,26954 ……………………………………………………… ……………………………………………………… 1,1814 1,1814 1, , ,2944 1,2944 0,23575,6 0,23575,6 0,26855,6 0,26855,6 0,33885,6 0,33885,6 ……………………………………………………… ……………………………………………………… 1,15585,6 1,15585,6 1,2845,6 1,2845,6

Структура ИНС Модель «Зависимость акустического давления от относительной длины газоподводящего тракта и концентрации пропана в смеси» Структура ИНС

Модель «Зависимость акустического давления от относительной длины газоподводящего тракта и концентрации пропана в смеси»

Заключение Мы полагаем, что аналогичные модели могут быть получены для различных случаев возникновения и прекращения вибрационного горения, а в перспективе и для вибрационного горения в целом и что средства Data Mining позволят существенно увеличить значение уже полученных экспериментальных результатов, а также получить новые экспериментальные результаты и выявить новые неизвестные ранее закономерности горения Помимо чисто научных задач, это позволит облегчить решение и практически важных задач, например, задачи подбора параметров камеры сгорания, состава горючей смеси, задачи создания автоматической системы управления режимом горения

Заключение В перспективе, обобщенную модель вибрационного горения в целом можно будет рассматривать как удобную в использовании базу знаний закономерностей вибрационного горения Часть ее в виде ИНС моделей можно представить как своеобразный инженерный калькулятор, позволяющий мгновенно производить требуемые вычисления характеристик вибрационного горения, параметров камеры сгорания, состава смеси, способов влияния на режим горения

Заключение Стоит также отметить интересную роль, которую могут иметь полученные модели в учебном процессе Обобщая закономерности экспериментальных данных, данные модели позволяют в компактном виде наглядно продемонстрировать особенности возникновения и прекращения вибрационного горения

Заключение Мы приглашаем участников конференции к совместной работе по созданию базы знаний в области вибрационного горения, а также в других областях исследований камер сгорания Методические материалы – Спасибо за внимание!

Модель «Гистерезис «поющего» пламени»