Нейросетевое управление параметрами многокомпонентных смесей

• Автор: Розанов, Максим Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Белгород
• Количество страниц: 150 с. : ил

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1. МЕТОДЫ СИСТЕМНОГО АНАЛИЗА В УПРАВЛЕНИИ КАЧЕСТВОМ СТРОИТЕЛЬНЫХ МАТЕРИАЛОВ

1.1. Особенности разработки строительных материалов с заданными свойствами

1.2. Способы моделирования свойств строительных материалов

1.3. Опыт прогнозирования в материаловедении

1.4. Выводы
2. ТРАДИЦИОННЫЕ МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ УПРАВЛЕНИЯ КАЧЕСТВОМ СТРОИТЕЛЬНЫХ МАТЕРИАЛОВ НА ОСНОВЕ МНОГОКОМПОНЕНТНЫХ СМЕСЕЙ
2.1. Метод последовательного экспериментирования при разработке строительных материалов с заданными свойствами
2.2. Методы проектирования материалов, связанные с построением математических моделей их свойств

2.3. Экспериментальная оценка качества формирования модели традиционным способом

2.4. Выводы
3. СОЗДАНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ МОДЕЛИРОВАНИЯ СТРОИТЕЛЬНЫХ МАТЕРИАЛОВ
3.1. Основания применения нейронных сетей для формирования моделей
3.2. Основные структуры аппроксимирующих нейронных сетей
3.2.1. Сигмоидальные нейронные сети
3.2.2. Нейронные сети с радиальным базисом
3.3. Обучение нейронных сетей
3.3.1. Обучение сигмоидчьной нейронной сети
3.3.2. Обучение нейронной сети с радиальным базисом
3.4. Сравнение эффективности нейронных сетей
3.5. Модифицированный метод обучения нейронных сечей с
радиальным базисом
3.5.1. Выбор конфигурации и начальных параметров нейронных сетей с радиальным базисом
3.6. Оценка эффективности модифицированного метода обучения
3.7. Выводы
4. УПРАВЛЕНИЕ ПАРАМЕТРАМИ МНОГОКОМПОНЕНТНЫХ СМЕСЕЙ ДЛЯ ПОЛУЧЕНИЯ СТРОИТЕЛЬНЫХ МАТЕРИАЛОВ С ЗАДАННЫМИ СВОЙСТВАМИ
4.1. Общие положения
4.2. Метод поиска параметров смеси по заданным свойствам материала на основе прямой зависимости
4.3. Сравнение нейронных сетей и традиционных методов формирования моделей
4.4. Определение искомых параметров смеси на основе прямой нейросетевой модели
4.5. Определение искомых параметров смеси на основе обратной нейросетевой модели
4.6. Программный комплекс для решения задачи управления качеством строительных материалов на основе нейросетевой модели
4.7. Пример управления параметрами смеси для изготовления самовыравнивающихся стяжек
4.8. Пример управления параметрами портландцементной сырьевой смеси
4.9. Выводы ЗАКЛЮЧЕНИЕ
СИСОК ЛИТЕРАТУРЫ ПРИЛОЖЕНИЕ 1 ПРИЛОЖЕНИЕ 2 ПРИЛОЖЕНИЕ 3 ПРИЛОЖЕНИЕ
ВВЕДЕНИЕ
Актуальность


Общих закономерностей между параметрами и свойствами химических соединений, выраженных в аналитическом виде, в подавляющем большинстве случаев нет. Часто имеются только зависимости, полученные эмпирическим путем в определенных условиях для конкретного материала. Чтобы не быть голословным, сошлемся на работу [], посвященную выбору оптимального состава клинкера при производстве цемента. Согласно ей, на технологические свойства материала при обжиге клинкера кроме всего прочего влияет количество жидкой фазы. Так вот, для трех различных температур обжига приводятся три различные формулы, выражающие процентное соотношение жидкой фазы, которое зависит от содержания в клинкере оксидов алюминия, магния и железа. Отсутствие аналитических закономерностей общего вида вызвано недостаточным знанием закономерностей физико-химических процессов, определяющих зависимости между составом, условиями производства и свойствами химических соединений [,]. Это уже сфера деятельности атомной физики. Но моделирование свойств макроскопической системы на основе огромного числа микроскопических ее составляющих не по силам даже современным вычислительным машинам за разумное время. Поэтому для поиска закономерностей между параметрами и свойствами химических систем, и строительных материалов в частности, используют статистические подходы, то есть выявляют эти закономерности на основе обработки данных, полученных в ходе реально выполняемых жкспериментов. В дальнейшем, используя вычисленные закономерности, которые и являются моделью химического вещества, можно определять свойства вещества в зависимости от произвольных значений параметров (и наоборот, находить параметры вещества, обладающего заданными свойствами). Конечно, прилагательное "произвольный" в данном случае не совсем точно. Статистическая модель редко может отображать все пространство параметров химического вещества в пространство его свойств. Точность отображения зависит от способа формирования моделей и использованного для этого объема экспериментальной информации. В рамках рассматриваемой задачи нас не интересует процессы производства химического соединения (строительного материала), динамика протекания химической реакции при превращении исходных веществ в конечный продукт. Все производственные факторы, а также влияние внешней среды в процессе получения вещества (которые, безусловно, влияют на свойства материала) считаются постоянными. В этом случае мы можем считать его однородным по составу и неизменным во времени. Методы моделирования систем можно условно разделить на две группы - традиционные и нетрадиционные, выбрав в качестве критерия классификации способ формирования модели. В первом случае модель описывается в виде функциональных зависимостей, устанавливающих взаимосвязь между входными и выходными параметрами моделируемого объекта. Как уже говорилось выше, такие зависимости формируются исходя из физических законов, определяющих поведение объекта, либо на основе накопления и обработки результатов наблюдений его функционирования с применением традиционных математических методов [,,,]. Получаемые в аналитическом виде модели можно анализировать, используя математические методы исследования функций []. Сложности могут возникать в процессе ее формирования: требуется знать физическую суть происходящих в моделируемом объекте процессов, либо, задавшись каким-то аналитическим видом модели (эмпирически), подбирать ее параметры с использованием статистических методов. Возвращаясь к химическим веществам, напомним, что о механизмах зависимостей между параметрами вещества и его свойствами редко бывает известно, следовательно, при выборе предполагаемого вида зависимости легко допустить ошибку. Если неизвестны точные закономерности функционирования объекта, то его модель может формироваться на основе нетрадиционных методов, связанных с обработкой экспертной информации о функционировании исследуемого объекта или с применением адаптивных вычислительных структур, использующих для настройки экспериментальные данные.