СТАТЬИ АРБИР
 

  2019

  Декабрь   
  Пн Вт Ср Чт Пт Сб Вс
25 26 27 28 29 30 1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31 1 2 3 4 5
   

  
Логин:
Пароль:
Забыли свой пароль?


Сравнительный анализ результатов математического моделирования и нейросетевого прогнозирования параметров быстропротекающих


СРАВНИТЕЛЬНЫЙ АНАЛИЗ РЕЗУЛЬТАТОВ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ И НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ БЫСТРОПРОТЕКАЮЩИХ ПРОЦЕССОВ

Анализ параметров быстропротекающих процессов лежит в основе создания современных высокоэнергетических веществ и составов. На сегодняшний день основным наиболее точным способом определения параметров быстропротекающих процессов является эксперимент. Благодаря чему накоплен обширный объем экспериментальных данных, что позволило установить многие закономерности поведения материалов в условиях взрыва.

В настоящее время разработано большое количество экспресс методов расчета параметров детонации. Экспресс методы основываются на экспериментальных данных. Основным достоинством таких методом является то, что они относительно просты и не требуют большого количества входных параметров.

Увеличение вычислительных мощностей ЭВМ позволяет развивать новые методы анализа параметров взрывчатых веществ, например - прогнозирование с помощью искусственной нейронной сети.

Для оценки этих двух подходов проведем сравнительный анализ результатов полученных этими методами. В качестве моделируемо- го/прогнозируемого параметра быстропротекающих процессов выступает скорость детонации взрывчатых веществ.

Для выполнения поставленной цели необходимо было решить следующие задачи:

Создать базу данных индивидуальных веществ;

Спроектировать автоматизированную систему моделирования параметров быстропротекающих процессов;

Провести моделирование скорости детонации индивидуальных веществ.

Спроектировать автоматизированную систему прогнозирования параметров быстропротекающих процессов;

Провести прогнозирование скорости детонации индивидуальных веществ;

Провести сравнительный анализ полученных результатов;

Для выполнения исследования, на первом этапе, была собрана база данных из 40 взрывчатых веществ с необходимыми характеристиками каждого из них. О веществах известны следующие данные: количество атомов С, количество атомов Н, количество атомов N, количество атомов О, плотность вещества, молярная масса, кислородный баланс, кислородный коэффициент, экспериментальная скорость детонации.

Для выполнения этапов 2 и 3 проведена отдельная работа[1]. Была спроектирована автоматизированная система моделирования скорости детонации методами Айзенштадта и Камлета. По итогам моделирования результаты первого метода оказались точнее, поэтому для сравнительного анализа возьмем результаты, полученные методом Айзенштадта.

Выполнение этапов 4 и 5 также является самостоятельным исследова- нием[2]. Для прогнозирования бралась та же база веществ, что и для моделирования. Проектирование и обучение искусственной нейронной сети производилось в пакете Excel Neural Package.

На шестом этапе, имея результаты исследований, проведем их сравнительный анализ.

В Таблице 1 отражены результаты для пяти из сорока веществ.

Таблица 1

Название
Экспериментальная скорость детонации
Спрогнозированная скорость детонации
Отличие от экспериментальной
Скорость детонации по методу Айзенштадта
Отличие от экспериментальной
2,4,6Тринитроанизол
7640
7067,291
572,7089
6831
809
ТНФ
7350
7039,55
310,4498
6442
908
ТНФ2
7480
7817,669
337,6689
6952
528
ТАТБ
7860
7579,315
280,6852
7741
119
Г ексил
7145
6978,386
166,6135
6904
241

Посчитаем среднее значение модулей разности между экспериментальными данными и полученными с помощью метода Айзенштадта для всей выборки, она равна: 485,925. Для результатов прогнозирования: 284,973.

Также посчитаем среднюю ошибку результатов: ошибка моделирования = 6,9427%, ошибка прогнозирования = 4,065525%.

70% результатов полученных прогнозированием с помощью искусственной нейронной сети входят в доверительный интервал, в то время как лишь 47,5% результатов моделирования методом Айзенштадта не вышли за доверительный интервал.

Данные результаты показывают, что нейросетевое прогнозирование параметров быстропротекающих процессов является весьма эффективным.

Следует отметить, что для обучения нейронной сети была использована относительно маленькая обучающая выборка, при увеличении выборки до нескольких сотен ошибка прогнозирования может существенно уменьшиться.

Список литературы

Спицин А.Н., Ляшева С.А. Автоматизированная система моделирования параметров быстропротекающих процессов на основе экспресс методов // Поколение будущего: взгляд молодых ученых : Сб. науч. ст. 4-й Междунар. молодежной конф. - Курск, 2015.-Т.2-С. 76-79.

Спицин А.Н., Ляшева С.А. Автоматизированная система прогнозирования параметров быстропротекающих процессов с использованием искусственной нейронной сети // Прогрессивные технологии и процессы: Сб. науч. стат. 2-й Междунар. молодежной научно-практической конф. - Курск, 2015. - Т.З - С 55 - 57.

Прогнозирование скорости детонации индивидуальных взрывчатых веществ с использованием искусственной нейронной сети / Ляшева С.А., Шлеймович М.П., Кирпичников А.П., Спицин А.Н. // Вестник технологического университета. - 2015. - Т.18, №15.-С. 226-229.

Круглов, В.В. Искусственные нейронные сети. Теория и практика /В.В. Круглов,

В.В. Борисов - Москва: Изд-во "Горячая линия - Телеком", 2002 с.: 382с.

УДК 004


#СПИЦИН АНАТОЛИЙ НИКОЛАЕВИЧ #ЛЯШЕВА СТЕЛЛА АЛЬБЕРТОВНА #КНИТУ - КАИ им. А.Н. Туполева #anatoly.spitsin[AT]gmail.com, stellyash[AT]mail.ru





МОЙ АРБИТР. ПОДАЧА ДОКУМЕНТОВ В АРБИТРАЖНЫЕ СУДЫ
КАРТОТЕКА АРБИТРАЖНЫХ ДЕЛ
БАНК РЕШЕНИЙ АРБИТРАЖНЫХ СУДОВ
КАЛЕНДАРЬ СУДЕБНЫХ ЗАСЕДАНИЙ

ПОИСК ПО САЙТУ