ОПРЕДЕЛЕНИЕ ТЕМПЕРАТУРЫ И ПАРЦИАЛЬНОГО ДАВЛЕНИЯ ОДНОГО КОМПОНЕНТА ГАЗОВОЙ СРЕДЫ ПО ЕГО ЗАШУМЛЕННЫМ СПЕКТРАЛЬНЫМ
КОЭФФИЦИЕНТАМ ПРОПУСКАНИЯ С ПОМОЩЬЮ ИСКУССТВЕННЫХ
НЕЙРОННЫХ СЕТЕЙ
РЕФЕРАТ 3
ВВЕДЕНИЕ 6
1. Прямая задача оптики газовых сред 8
1.1 Прямой метод расчета 8
1.2 Метод интегрирования по коэффициенту поглощения 9
1.3 Метод моделей полос поглощения 10
1.4 Экспериментальные методы 10
2 Искусственные нейронные сети 12
2.1 Многослойный персептрон 14
2.2 Общее решение задач искусственными нейронными сетями 15
2.3 Обучение искусственной нейронной сети в работе 17
2.4 Алгоритм обратного распространения ошибки 18
2.5 Алгоритм оптимизации Адама 21
3 Решение обратной задачи 22
3.1 Методика решения обратной задачи оптики газовых сред с помощью
ИНС 22
3.2 Определение парциального давления и температуры угарного газа из его
функции пропускания 23
Заключение 40
Список использованных источников
В настоящее время дистанционные оптические методы широко применяются для исследования газово-аэрозольных сред природного и антропогенного происхождения, таких как: гейзеры, вулканы, пожары, металлургические предприятия, двигатели космических ракет и самолетов. Знание параметров газовых сред необходимо для анализа и предотвращения экологических катастроф, отслеживания функционирования различных двигателей, контроля выбросов предприятий и др. [1].
В газовых средах происходят процессы поглощения, рассеяния и переизлучения. Для описания интенсивности в таких средах используют уравнение переноса. Решение этого уравнения нам известно, но обратная задача, заключающаяся в определении температуры и концентраций газовых компонентов среды из ее измеренных спектральных характеристик, требует разработки нового математического аппарата.
Нахождение решения обратной оптической задачи непосредственно из уравнения переноса излучения в общем случае является некорректной задачей. Поэтому решение обратной задачи осуществляется в основном путем подгонки эталонных или теоретически рассчитанных спектральных характеристик к экспериментальным. Для ускорения процесса обработки полученных из измерений данных теоретические спектральные характеристики могут рассчитываться заранее.
Данная тема считается актуальной, так как до сих пор происходит модернизация ранее разработанных методов решения обратной задачи, которые:
- Не позволяют одновременно определять температуру и концентрацию компонентов газовой среды.
- Имеют привязку к конкретному типу метода измерения, пассивному или активному.
- Имеют привязку к конкретной измерительной аппаратуре.
В данной выпускной квалификационной работе предлагается использование искусственных нейронных сетей (ИНС), в качестве математического аппарата, благодаря которым становится возможным одновременно определять температуру и концентрацию компонентов газовой среды, а также иметь ориентацию на пассивный и активный метод измерения, без привязки к конкретной измерительной аппаратуре .
Цель работы - решение обратной задачи по определению температуры и парциального давления однокомпонентной газовой среды из ее зашумленного спектра пропускания используя искусственные нейронные сети.
Для достижения поставленной цели необходимо решить следующие задачи:
- Изучить методы решения прямой и обратной задач оптики газовых сред.
- Изучить устройство и принцип работы искусственных нейронных сетей.
- Рассмотреть принципы обучения искусственных нейронных сетей.
- Провести расчеты коэффициентов пропускания СО для температуры от 300 до 2500 К и парциального давления от 0,1 до 1 атм.
- Обучить ИНС определять температуру и парциальное давление CO из его зашумленных коэффициентов пропускания.
Основным недостатком существующих методов решения обратной задачи по определению температуры и парциального давления, является отсутствие возможности одновременного определения параметров однокомпонентной газовой среды. В данной работе предложено решение этой проблемы, использование искусственных нейронных сетей. Показана работоспособность данного метода, в качестве решения обратной задачи оптики газовых сред, на примере однокомнатной газовой среды СО в диапазонах температуры от 300 до 2500 К и парциального давления от 0,1 до 1 атм. .
Основные сложности, с которыми я столкнулся в ходе выполнения выпускной квалификационной работы:
- Большая длительность расчетов спектральных характеристик, порядка нескольких суток;
- Долгое обучение искусственных нейронных сетей, порядка нескольких суток;
- Определенные требования к вычислительной машине;
- Трудоемкий анализ полученных данных.
В соответствии с поставленными задачами были выполнены следующие пункты:
- Изучены методы расчета коэффициентов пропускания газовых сред. Наиболее точным методом является прямой метод расчета (line by line).
- Изучен принцип работы искусственных нейронных сетей и их обучения. Рассмотрен алгоритм решения задач с помощью искусственных нейронных сетей.
- Проведены расчеты коэффициентов пропускания СО для температуры от 300 К до 2500 К и парциального давления от 0.1 до 1 атм. Проведено зашумление коэффициентов пропускания по нормальному (стандартное отклонение 3%) и равномерному (от -3% до 3%) законам.
- Получена искусственная нейронная сеть обеспечивающая определение парциального давления и температуры СО из его не зашумленных коэффициентов пропускания с ошибкой менее 1% в интервалах изменения парциального давления и температуры 0,1-1 атм и 500-2500 K соответственно
- Получены искусственные нейронные сети, обеспечивающие определение парциального давления и температуры СО из его зашумленных по нормальному и равномерному закону коэффициентов пропускания с ошибкой менее 17% и 22.5% соответственно в интервалах изменения парциального давления и температуры 0,1-1 атм и 500-2500 K соответственно.
- Интервал температур 300-500 К был исключен из рассмотрения в связи с тем, что полученные ИНС обеспечивают решение обратной задачи в этом интервале температур с большой относительной ошибкой порядка 50-80%.
- Обучение ИНС на обучающей выборке, представляющей из себя 20% случайно выбранных примеров из общего числа примеров с зашумленными коэффициентами пропускания, дает решение обратной задачи с меньшей относительной ошибкой - до 22.5%, чем в случае обучения ИНС на обучающей выборке, представляющей собой десять копий, случайно выбранных 2% примеров из общего числа примеров с не зашумленными коэффициентами пропускания с последующим их зашумлением, где относительная ошибка доходит до 28%.
