ОПРЕДЕЛЕНИЕ ТЕМПЕРАТУРЫ И ПАРЦИАЛЬНЫХ ДАВЛЕНИЙ КОМПОНЕНТОВ
ГАЗОВОЙ СМЕСИ ПО ЕЕ СПЕКТРАЛЬНЫМ КОЭФФИЦИЕНТАМ ПРОПУСКАНИЯ С
ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
РЕФЕРАТ 2
ВВЕДЕНИЕ 4
1 Прямая задача оптики газовых сред 5
1.1 Прямой метод расчета 5
1.2 Метод моделей полос поглощения 6
1.2.1 Модель изолированных линий 7
1.2.2 Модель Эльзассера (регулярная модель) 7
1.2.3 Случайные модели 8
1.3 Метод интегрирования по коэффициенту поглощения 8
1.4 Экспериментальные методы 9
2.Описание искусственных нейронных сетей 10
2.1 Архитектура искусственных нейронных сетей 10
2.2. Искусственный нейрон 11
2.3 Функции активации 12
2.4. Многослойный персептрон 13
3 Обучение искусственной нейронной сети 15
3.1 Алгоритм обратного распространения ошибки 16
3.2 Алгоритм оптимизации Адама 17
3.3 Алгоритм Левенберга-Марквардта 17
4. Решение обратной задачи 19
5 Результаты решения обратной задачи 21
ЗАКЛЮЧЕНИЕ 28
Список используемой литературы
Источниками высокотемпературных газовых сред являются различные объекты природного и антропогенного происхождения. Знание параметров газовых сред необходимо для предотвращения экологических катастроф, отслеживания работы различных двигателей, контроля выбросов предприятий и т.д.
Методы для определения параметров газовой среды разделяют на контактные и дистанционные. Контактные методы требуют непосредственного контакта с исследуемой газовой средой и далеко не каждый датчик сможет работать при высоких температурах. Дистанционные методы для определения параметров газовой среды используют зависимости взаимодействия излучения со средой. Интенсивность излучения в конкретной пространственной точке исследуемой среды описывается уравнением переноса. Решение уравнения в прямом виде известно, однако решение обратной задачи некорректно.
В настоящее время стремительное развитие искусственных нейронных сетей позволяет применять их в самых различных целях, в том числе и для определения параметров газовых сред путем решения обратной задачи. Её решение сводится к подгонке эталонных или теоретически рассчитанных спектральных характеристик к экспериментальным.
Цель работы заключается в определение температуры и парциальных давлений компонентов газовой смеси по ее спектральным коэффициентам пропускания с помощью искусственных нейронных сетей.
Задачи:
— Изучить методы решения прямой и обратной задач оптики газовых сред
— Изучить устройство и принцип работы искусственных нейронных сетей
— Рассмотреть способы обучения нейронных сетей
— Рассчитать спектральные коэффициенты пропускания среды для газовой смеси, состоящей из H2O, CO2, CO, NO.
— Построить искусственную нейронную сеть для решения обратной задачи оптики газовых сред в случае многокомпонентной газовой среды.
В данной работе представлено решение обратной задачи оптики газовых сред по определению температуры и парциальных давлений компонентов газовой смеси по ее спектральным коэффициентам пропускания с помощью искусственных нейронных сетей для дистанционно метода определения параметров газовой среды.
Изучены методы расчета функции пропускания для решения прямой задачи оптики газовых сред. Как универсальный (применим для однородных и неоднородных сред) и точный, был выбран прямой метод расчета (line-by-line).
Изучены устройство и принципы работы искусственных нейронных сетей. В качестве структуры искусственной нейронной сети был выбран многослойный персептрон.
Рассмотрены способы обучения искусственных нейронных сетей. Выбран метод обратного распространения ошибок и алгоритм оптимизации Адама. Обучение сети по каждому варианту структуры занимало около 2-3 часов, однако это зависит от вычислительной способности ЭВМ.
Рассчитаны спектральные коэффициенты пропускания для газовой смеси, состоящей из H2O, CO2, CO, NO в интервалах температуры от 800К до 1800К и парциального давления 0,1 атм. до 0,7 атм. Расчет спектральных коэффициентов пропускания занимал от пары часов до нескольких дней, самый долгий расчет пришёлся на водяной пар, т.к. он присутствует практически во всех использованных спектральных центрах.
Была получена ИНС позволяющая определять температуру и парциальное давления газовой смеси с максимальной ошибкой определения этих параметров не превышающих 7%.
Так же определена лучшая конфигурация сети для решения поставленной задачи, а именно 3 скрытых слоя по 20 нейронов в каждом, позволяющая определить температуру и парциальное давления газовой смеси с максимальной ошибкой определения в 5,72%.
