научная статья по теме ВЛИЯНИЕ АРХИТЕКТУРЫ МНОГОСЛОЙНОЙ ПЕРСЕПТРОННОЙ НЕЙРОННОЙ СЕТИ НА РЕЗУЛЬТАТЫ ПРОГНОЗА СТАБИЛЬНОСТИ ВОДНО-БИОТОПЛИВНОЙ ЭМУЛЬСИИ Общие и комплексные проблемы естественных и точных наук

Текст научной статьи на тему «ВЛИЯНИЕ АРХИТЕКТУРЫ МНОГОСЛОЙНОЙ ПЕРСЕПТРОННОЙ НЕЙРОННОЙ СЕТИ НА РЕЗУЛЬТАТЫ ПРОГНОЗА СТАБИЛЬНОСТИ ВОДНО-БИОТОПЛИВНОЙ ЭМУЛЬСИИ»

Энергетическое, металлургическое и химическое машиностроение

Тепловые двигатели

Левина Е.Ю., аспирант

Левин М.Ю., кандидат технических

наук

Нагорнов С.А., доктор технических наук, профессор, зам. директора (Всероссийский научно-исследовательский институт использования техники и нефтепродуктов в сельском хозяйстве)

ВЛИЯНИЕ АРХИТЕКТУРЫ МНОГОСЛОЙНОЙ ПЕРСЕПТРОННОЙ НЕЙРОННОЙ СЕТИ НА РЕЗУЛЬТАТЫ ПРОГНОЗА СТАБИЛЬНОСТИ ВОДНО-БИОТОПЛИВНОЙ ЭМУЛЬСИИ

Целью настоящей работы является построение оптимальной архитектуры нейронной сети для прогнозирования стабильности к седиментации, стабильности к коалесценции в зависимости от состава эмульгированного топлива. Исследовалось влияние количества нейронов в скрытом слое на ошибку прогноза, а функцией активации нейронов была выбран гиперболический тангенс. С использованием обученной нейронной сети с 18 нейронами в скрытом слое, показавшей наименьшую ошибку прогноза, было спрогнозировано время коалесценции водно-био-топливных эмульсий.

Ключевые слова: прогнозирование, нейронная сеть, эмульгированное топливо, водно-биотопливные эмульсии.

THE INFLUENCE OF ARCHITECTURE MULTILAYER PERCEPTRONS NEURAL NETWORK TO FORECAST RESULTS OF STABILITYOF WATER-BIO-FUEL

EMULSIONS

The aim of this work is the optimal architecture of the neural network to predict stability to sedimentation, stability to coalescence depending on the composition of the emulsified fuel. The influence of the number of neurons in the hidden layer on the forecast error, and the activation function of neurons was chosen as the hyperbolic tangent. Using the trained neural network with 18 neurons in the hidden layer, which showed the lowest forecast error was predicted time of coalescence of water-bio-fuel emulsions.

Keywords: forecasting, neural network, emulsified fuel, water-bio-fuel emulsions.

Введение. Рост экологических требований к моторным топливам ведет к росту затрат на нефтепереработку, т. е. к росту цен на топливо. Среди альтернативных вариантов решения этой задачи сегодня рассматриваются разработка новых типов двигателей и переход на альтернативные виды топлив, например, на основе водорода или спирта. Исследуются и способы использования эмульгированных топлив в двигателях для улучшения экономических и экологических показателей топлива. Двигатели внутреннего сгорания (ДВС) являются основными потребителями нефтепродуктов. В настоящее время стратегия удовлетворения современным жестким санитарным нормам по выбросам отработавших газов ставит перед дизелестроителями Европы и США задачи создания новых способов снижения (вплоть до полного предотвращения) вредных выбросов [1, 2].

Наиболее перспективным решением рационального использования топлива и снижения загрязнения окружающей среды вредными компонентами выхлопных газов, является создание и использование в ДВС эмульгированных топлив, содержащих нефтяное топливо, экологически более безопасное биодизельное топливо (метиловые эфиры растительных масел) и воду - водно-био-топливыных эмульсий (ВБТЭ). Это топливо будет представлять собой эмульсию типа «вода в масле».

Время жизни эмульсии - один из важнейших показателей качества при промышленном использовании и зависит от способности диспергированных капель удерживаться во взвешенном состоянии вопреки силе тяжести и силам, возникающим в результате соударений при броуновском движении. Эмульгатор, который сосредоточен на поверхности раздела образующих эмульсию жидких фаз, препятствует слиянию капель. В последнее время широкое применение в качестве эмульгаторов нашли ПАВ на основе олеиновой кислоты и ее солей, продукты синтеза окиси этилена и сульфирования жирных спиртов. Для образования устойчивых ВТЭ достаточно 1 % такого эмульгатора[1, 3].

Получение эмульгированных топлив представляет собой сложный технологический процесс, качество конечного продукта зависти в первую очередь от процентного соотношения топлива и воды с определенным эмульгатором. Прогнозирование времени стабильности эмульсий по процентным показателям исходного сырья является важной задачей в химической промышленности. Это также определяет возможность применения определенного эмульированного топлива в двигателях.

Точность прогноза определяется точностью и адекватностью синтезированных математических моделей. В литературе [4] описаны практические разработки применения нейронных сетей для моделирования различного рода инженерных систем. В частности, нейронные сети позволяют строить модели сложных инженерных объектов, которые в ряде случаев оказываются более адекватными реальности, чем модели, опирающиеся на иной формальный аппарат.

Показано, что нейросетевые модели - это универсальный механизм для моделирования функций и классификации объектов. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе [4, 5, 6].

Материалы и методы исследования. Для выбора оптимальной архитектуры нейронной сети для прогноза параметров качества ВТЭ по процентным показателям исходного сырья была сформирована база данных, содержащая информацию с видами используемых эмульгаторов (таблица 1) и экспериментальные данные зависимости времени стабильности ВТЭ от процентных показателей содержания в ней воды, топлива, эмульгаторов (таблица 2). В массив добавлены шумовые значения. Для исключения размерности при обучении и прогнозировании с использованием нейронной сети данные нормируются на диапазон [-1;1].

Массив экспериментальных данных разбивали на две части. Первая часть для обучения нейронной сети, а вторая - контролирующей выборкой, необходимой, чтобы предупредить момент переобучения нейронной сети, когда среднеквадратичная ошибка обучения уменьшается, а среднеквадратичная ошибка контролирующей выборки начинает возрастать [7, 8].

Таблица1

Кодировка эмульгаторов

Эмульгаторы Код в базе данных

Соль пеназолина 10-16 и СЖК фр. С10-С16 1

Оксиэтилированные на 6 молей спирты С12-С15 2

Оксиэтилированные на 9 молей алкилфенолы 3

Таблица 2

Характеристики массива данных

Параметр Значение параметра

Минимальное Максимальное Среднее

Эмульгатор 1 % 0 2 0,680303

Эмульгатор 2 % 0 2 0,527778

Вода % 5 60 24,64646

Дизель % 39 94,5 73,94343

Стабильность к седиментации, ч 0,024 360 79,50309

к коалесценции, мес 0,01 7 4,667778

Структурная идентификация нейросетевой модели состоит в выборе используемых функций активации, количества слоев сети и количества нейронов в каждом слое [4]. Выбор вида функции активации зависит от задач, для решения которых предполагается использовать синтезируемую нейросетевую модель. Обычно в качестве функции активации выбирают логистическую функцию или гиперболический тангенс. Эти функции применимы для широкого круга задач [6, 7].

Многослойный персептрон может обучаться быстрее, если сигмоидальная функция активации является антисимметричной, а не симметричной. К антисимметричной функции относится гиперболический тангенс, его формула в общем виде у = аЧЬ(Ь^х), где а и Ь - константы. Практически важными значениями для констант а и Ь являются следующие: а = 1,7159 и Ь = 2/3. Определенная таким образом функция гиперболического тангенса имеет ряд полезных свойств [6, 7].

В работе изучалось влияние количества нейронов в скрытом слое на ошибку прогноза. А в качестве функции активации нейронов использовался гиперболический тангенс. При прогнозе с использованием нейронной сетью были использованы архитектуры сети с 6, 10, 13, 15 и 18 нейроном в скрытом слое. Для выбора архитектуры нейронной сети была использована теорема Колмогорова, согласно которой для реализации нейронной сети с N входными параметрами достаточно использовать скрытый слой с (2N + 1) нейронами. Имея 6 входных параметров, мы получаем, что количество нейронов достаточных для реализации нейронной сети равно 13. Остальные эксперименты проводились со случайным числом нейронов в скрытом слое большим или меньшим 13.

При всех видах архитектуры сети был использован алгоритм переменной метрики как метод минимизации целевой функции.

Результаты и обсуждение. Результаты прогнозирования стабильности ВТЭ с применением нейронной сети различной архитектурой сведены в таблице 3, где колонка вид сети содержит информацию о количестве входов, нейронов в скрытом слое и выходных нейронов.

Таблица 3

Результаты прогнозирования параметров ВТЭ нейронной сетью с различной

архитектурой

Вид сети СКО, Стабильность к седиментации, ч СКО, Стабильность к коалесценции, мес

6-13-2 1,36 0,91

6-15-2 1,375 0,92

6-10-2 13,27 8,9

6-6-2 3,75 2,68

6-18-2 0,3 0,2

На экологические характеристики моторного топлива большое влияние оказывает вязкость, чем тяжелее топливо и больше его вязкость, тем значительнее сажеобразование при его сгорании при прочих равных условиях.

Поэтому для сохранения теплофизических характеристик топлива нами была разработана водно-био-топливная эмульсия и установлено содержание нефтяного топлива - не менее 40%, а для сохранения экологических свойств - не более 45%. Контроль дисперсности вод-но-био-топливных эмульсий на электронном микроскопе показал, что они однородны и размер капель в них не превышает 4 мкм [1]. Полученная с помощью роторного аппарата ВБТЭ (дизельное топливо - 39,5%, биотопливо - 45%, вода - 15%, эмульгатор - 0,5% по масс.) не расслаивается в течение 2 месяцев, а ВБТЭ (дизельное топливо - 44,5%, биотопливо - 45%, вода - 10%, эмульгатор - 0,5% по масс.) - в течение 2,3 месяца.

Для прогнозирования времени коалесценции водно-био-топливных эмульсий была использована нейронная сеть с архитектурой 6-18-2, показавшей наименьшую ошибку на данных таблицы 2. Нейронная сеть спрогнозировала следующие значения времени коалесцен-ции: ВБТЭ с 15% воды - 2,05 месяца, а ВБТЭ с 10% воды - 2,23 месяца. Полученные значения расходятся с экспериментальными менее чем на 3%, что подтверждает адекватность синтезированной математической модели, и возможность ее применения для прогнозирования времени коалесценции ВБТЭ.

Выводы. Нейронная сеть способна прогнозировать стабильность эмульгирован

Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.

Показать целиком