ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ МЕХАНИЧЕСКОГО ПАРАМЕТРА

USING AN ARTIFICIAL NEURAL NETWORK FOR PREDICTION OF A MECHANICAL PARAMETER

Galiev Rinat Faritovich

postgraduate, Chair of Solid Chemical Technology, Kazan National Research Technological University,

Russia, Kazan;

 research engineer of special departments, Federal State Unitary Enterprise “Russian Federal Nuclear Center – Zababakhin All-Russia Research Institute of Technical Physics”,

 Russia, Snezhinsk

АННОТАЦИЯ

В статье авторами рассматривается возможность применения искусственных нейронных сетей для прогнозирования вероятностной характеристики, параметра давления детонационного импульса, возникшего при задействовании заряда энергонасыщенного вещества в аварийных системах и устройствах одноразового применения, таких как подушки безопасности в автомобилях. Для решения поставленной задачи была разработана база знаний, включающая в себя информацию о 14 проведённых экспериментах, которая необходима для обучения искусственной нейронной сети. Следующим этапом стала разработка самой нейронной сети: выбор оптимальной архитектуры и обучение «с учителем» с последующей апробацией и сравнением полученных результатов с экспериментальными данными. В качестве результата была получена обученная искусственная нейронная сеть с блочной структурой и разными функциями активации, именуемой сеть Ворда, способная предсказывать параметры давления ударной волны со значением относительной погрешности 17%. Полученные результаты могут использоваться в такой востребованной и актуальной области математического моделирования как нейропрогнозирование.

ABSTRACT

In the article, the authors explore the possibility of using artificial neural networks to predict the probability characteristics of the detonation pulse pressure value generated by the activation of an energy-rich substance in emergency systems and disposable devices, such as airbags in cars. To solve this problem, a knowledge base was developed, which includes information about 14 experiments conducted, which is necessary for training an artificial neural network. The next step was to development of the neural network itself: the selection of the optimal architecture and to training with a "teacher", followed by testing and comparing of the results with experimental data. As a result, a trained artificial neural network with a block structure and different activation functions, called the network of Word, was obtained, which is capable of predicting the parameters of shock wave pressure with a relative error of 17%. The obtained results can be used in the highly demanded and relevant field of mathematical modeling, such as neuroprediction.

Ключевые слова: нейропрогнозирование; искусственная нейронная сеть; давление ударной волны; сеть Ворда.

Keyword: neuroprediction; artificial neural network; shock wave pressure; network of Word.

Введение. При проведении исследовательской деятельности одним из эмпирических методов является эксперимент, то есть исследование в заданных условиях с целью получения экспериментальных данных для изучения определённых характеристик и свойств объекта или явления. В процессе эксперимента немало времени и большой объём труда научный сотрудник тратит на практическую часть исследования для накопления статистических данных. Позже накопленные данные позволяют делать необходимые выводы для продвижения в исследуемой теме [1, с. 34]. Развитие компьютерных технологий позволяет существенно сократить временные затраты на проведение большого количества опытов, используя нейропрогнозирование на основе искусственных нейронных сетей.

Прогнозирование значения вероятностной характеристики, параметра давления детонационного импульса при задействовании заряда энергонасыщенных веществ (ЭВ1 и ЭВ2 на рисунке 1) за счёт информационных технологий, а именно с помощью искусственных нейронных сетей является актуальным и имеет практическое значение.

Объект и методика исследований. Целью данной работы является разработка методики создания искусственной нейронной сети с оптимальной архитектурой для прогнозирования значений эксплуатационного выходного параметра амплитуды ударной волны при имеющихся значениях входных параметров в аварийных системах и устройствах одноразового применения. Схема лабораторного макета представлена на рисунке 1.

Рисунок 1. Схема лабораторного макета

Объектом исследования является пиротехническое устройство, в котором при задействовании навесок энергонасыщенных веществ формируется детонационная волна, а основным выходным эксплуатационным параметром, фиксируемым датчиками за гермостенкой, − давление ударной волны P.

Результат прогнозирования выходного параметра определяется компьютерной моделью, основанной на искусственной нейронной сети, и зависит от значений следующих входных параметров: массы навесок бризантного и смесевого энергонасыщенных веществ, высоты навесок бризантного и смесевого энергонасыщенных веществ, плотности бризантного и смесевого энергонасыщенных веществ. По экспериментальным данным, включающим 14 опытов, создавалась база знаний в программном комплексе Microsoft Office Excel, которая была разделена на обучающую и тестовую выборки.

Результаты исследований и их обсуждение. Для достижения поставленной цели необходимо решить следующие задачи:

- разработка базы знаний по экспериментальным данным;

- разработка искусственной нейронной сети процесса взрывчатого превращения активного заряда с формированием ударной волны для прогнозирования вероятностной характеристики, параметра давления ударной волны;

- выбор оптимальной модели и проведение анализа полученных результатов.

По имеющейся базе знаний необходимо создать искусственную нейронную сеть в среде разработки NeuroShell по следующему алгоритму:

- запуск среды разработки NeuroShell;

- импорт базы знаний из программы Microsoft Office Excel в среду разработки NeuroShell;

- выбор входных характеристик и выходных параметров в среде разработки NeuroShell;

- выделение 20% тренировочных примеров для тестирования искусственной нейронной сети в среде разработки NeuroShell;

- определение значимости влияния входных характеристик на выходные параметры на основе значений индивидуальных параметров сглаживания каждой входной характеристики. Среда разработки NeuroShell определяет автоматически значения параметров сглаживания, которые равняются значимости влияния входных характеристик (рисунок 2).

Рисунок 2. Значения индивидуальных параметров сглаживания каждой входной характеристики

В ходе определения значимости влияния входных характеристик на выходные параметры выявлено, что наибольшую значимость (параметр сглаживания наивысшей по сравнению с другими) имеет выходной параметр «Масса ЭВ2».

- выбор оптимальной структуры нейронной сети и установка количества нейронов в скрытых слоях (рисунок 3). На основе большого числа опытов с другими архитектурами и высокой степени ошибки на их основе была выбрана блочная нейронная сеть с тремя скрытыми блоками и разными передаточными функциями – сеть Ворда [2, с. 142]. Сеть Ворда является искусственной нейронной сетью, структура которой описывается тем, что каждый скрытый блок может иметь разную передаточную функцию.  Передаточная функция или функция активации является некоторым правилом вычисления выходного значения, которое предполагается передать другим элементам. Это означает, что сигналы, передаваемые от входного слоя, могут параллельно обрабатываться разными способами в зависимости от выбранной передаточной функции, а полученные результаты обрабатываются нейронами выходного слоя.

Рисунок 3. Выбор архитектуры искусственной нейронной сети

После выбора архитектуры искусственной нейронной сети стояла задача опытным путём выбрать передаточные функций скрытых блоков и количество нейронов для слоя входных и выходных параметров, а также количество нейронов для скрытых блоков. В результате опытов, проведённых с данной архитектурой, было подобрано оптимальное число нейронов в скрытых слоях – 3 нейрона в каждом скрытом блоке (Блок 2, Блок 3, Блок 4), в блоке №2 установлена Гауссова передаточная функция (рисунок 4), в блоке №3 установлена гиперболическая передаточная функция (рисунок 5), в блоке №4 установлена комплементарная Гауссова передаточная функция.

Рисунок 4. Купол Гаусса

Рисунок 5. Гиперболическая функция

- обучение «с учителем» искусственной нейронной сети в среде разработки NeuroShell;

- применение обученной искусственной нейронной сети к тестовым значениям выборки;

- оценка степени точности прогнозируемых результатов через функцию «Просмотр данных» (рисунок 6), где в столбце «А» указаны экспериментальные данных, к значениям которых стремилась искусственная нейронная сеть, в столбце «В» – данные, полученные при апробации разработанной искусственной нейронной сети. В столбце «С» представлена разница между экспериментальными данными в столбце «А» и данными, полученными апробацией нейронной сети в столбце «В», то есть абсолютная погрешность.

Рисунок 6. Просмотр результатов нейропрогнозирования искусственной нейронной сети

Заключение. Решение задачи, связанное с прогнозированием вероятностной характеристики, параметра давления ударной волны, возникающей при взрывчатом превращении заряда энергонасыщенного вещества, за счёт применения искусственных нейронных сетей на основе современных информационных технологий, является перспективным и актуальным направлением.

В среде разработки NeuroShell была разработана искусственная нейронная сеть с тремя скрытыми блоками и разным передаточными функциями (сеть Ворда), способная осуществлять прогнозирование вероятностной характеристики, параметра давления ударной волны, при задействовании заряда энергонасыщенного вещества.

Проведена апробация созданной искусственной нейронной сети для прогнозирования вероятностной характеристики, параметра давления ударной волны, при задействовании заряда энергонасыщенного вещества. Результаты прогнозирования, полученные от нейросетевой модели, имеют хорошее согласование с экспериментальными данными. Наибольшая относительная погрешность, показатель того, насколько результат измерения отклоняется от истинного значения, составила 17%.

Список литературы:

1. Методы и средства научных исследований: учебное пособие / Ю.Н. Колмогоров, А.П. Сергеев, Д.А. Тарасов [и др.]. – Екатеринбург : Изд-во Урал. Ун-та, 2017. – 152 с.
2. Дороганов, В.С. Модернизированная сеть Ворда и гибридный метод обучения для прогноза показателей качества металлургического кокса / В.С. Дороганов, А.Г. Пимонов // Вестник Кузбасского государственного технологического университета. 2015. №3(109). С. 141 – 149.