Вплив функції активації лінійної нейронної мережі на апроксимацію даних основних каналів керування реактру синтезу оцтової кислоти
DOI:
https://doi.org/10.33216/1998-7927-2024-281-1-91-97Ключові слова:
нейронні мережі, зворотне поширення помилки, реакторАнотація
Штучні нейронні мережі будуються за принципами організації та функціонування їх біологічних аналогів. Вони можуть вирішувати широке коло завдань розпізнавання образів, ідентифікації, прогнозування, оптимізації керування складними об'єктами. Подальше підвищення продуктивності комп'ютерів дедалі більше пов'язують із штучними нейронними мережами, зокрема нейрокомп'ютерами. Нині з'являється більше інтелектуальних систем керування технологічними процесами у хімічної промисловості, у яких вирішуються завдання адаптації, самонавчання, самоналаштування. Для вирішення завдання керування технологічними процесами в хімічній промисловості використовуються багатошарові лінійні нейронні мережі зі зворотним розповсюдженням помилки. Для побудови багатошарової мережі для проміжного шару часто використовують функції активації типу логічної (logsig) або гіперболічного тангенсу (tansig), а для кінцевого шару використовується лінійна функція активації (purelin).
У цій роботі для побудови та дослідження властивостей нейронної мережі використовувалися статистичні дані реального реактора синтезу оцтової кислоти, який працює у стаціонарному режимі в цеху оцтової кислоти,. Для моделювання використовувалося середовище програмного симулятора MATLAB 2021. Ця програма рекомендована для моделювання різних нейронних мереж із різною кількістю нейронів і різним типом функції активації.
В даній роботи була побудована і досліджена лінійна нейронна мережа зі зворотним поширенням помилки з фіксованою кількістю нейронів першого шару за основними каналами керування реактором синтезу оцтової кислоти. В роботі досліджувався вплив функцій активації першого шару та кінцевого шару нейронної мережі на апроксимацію даних реактора синтезу оцтової кислоти.
Архітектура нейронної мережі перший шар містить 23 нейрона. Функція активації нейронів змінюється. Спочатку це функція hardlim, потім функція tansig, потім функція logsig і purelin. Другий шар містить один нейрон також з різними функціями активації: hardlim, tansig, logsig і purelin. Діапазон зміни входу [8900-9800].
Моделювання нейромережі з використанням MATLAB 2021 показало успішність процесу побудови та навчання нейронної мережі та його задовільну якість, яка дозволить використовувати нейромережі для керування технологічними процесами синтезу оцтової кислоти та перспективність подальших досліджень цього напряму.
Посилання
1. Бойко С. Застосування нейронних мереж при автоматизації діагностики стану авіаційного генератора гвинтокрила.// С. Бойко, Є. Волканін, О. Городній, О. Борисенко, Л. Вершняк. Технічні науки та технології. 2018. № 3 (13), С.152-160.
2. Маковецька, С. В. Застосування штучних нейронних мереж для прогнозування динаміки технологічного процесу в умовах невизначеності / С. В. Маковецька, О. М. Мягшило // Сучасні методи, інформаційне, програмне та технічне забезпечення систем управління організаційно-технічними та технологічними комплексами: програма та матеріали ІІ Міжнародної науково-технічної Internet-конференції, 25 листопада 2015 р. [Електронний ресурс] К.: НУХТ, 2015. С. 188-189. - Режим доступу: https://nuft.edu.ua/page/view/konferentsii.
3. Гончаренко Т. А. Застосування технології штучних нейронних мереж для моделювання рельєфу будівельного майданчика/Т. А. Гончаренко// Управління розвитком складних систем: зб. наук. робіт / Київ. нац. ун-т буд-ва та архітектури; гол. ред. Лізунов П. П. Київ: КНУБА, 2017. № 29. С. 116-120.
4. Paredes-Astudillo Y.A. Comparing linear and non-linear modelling approaches of learning effects in 2-stage flow-shop scheduling problems/ Y. A. Paredes-Astudillo, V. Botta-Genoulaz, J. R. Montoya-Torres // IFAC Papers OnLine. 55-10 (2022), P. 842–847
5. Steentjes Tom R.V. Handling unmeasured disturbances in data-driven distributed control with virtual reference feedback tuning/ Tom R.V. Steentjes, Paul M.J. Van den Hof, Mircea Lazar // IFAC PapersOnLine. 54-7 (2021), P. 204-209.
6. Borg D. Neural networks as a diagnosing tool for industrial level measurement through non contacting radar type and support to the decision for its better application / D. Borg, F. F. Pinto, M. Suetake, D. Brandão// IFAC-PapersOnLine. 49-30 (2016).P. 349-354.
7. Topolski N.G. Computer Aided Fire safety Systems in Chemical Industries. / N.G.Topolski, V.S.Vatagin, // Mary Kay O’Connor Process Safety Center Symposium. -Proceeding.- October 24-25. 2000. Reed Arena. Texas A&M. University, College Station, Texas. P.348-349.
8. Baskin I.I. Quantitative chemical structure – property/activity relationship studies using artificial neural networks. / I.I. Baskin, M.I.Skvortsova, V.A.Palyulin, N.S.Zefirov // Foun-dations of Computing and Decision Sciences. 1997. Vol. 22, № 2. P. 107-116.
9. PorkujanOlga «Neuralnetworksimulationinrunningofaceticacidsyntesisunitwhilestart-up»/ OlgaPorkujan, ZhannaSamojlova. TEKA, Польща, AcademyofSciences (PAN), withregisteredofficesinWarsaw, 2013, P.188-192
10. Tronci S. A Gain-Scheduling PI Control Based on Neural Networks/ Stefania Tronci , Roberto Baratti// Hindawi Complexity Volume 2017, Article ID 9241254, 8 p.
11. Joschka W. Overcoming the modeling bottleneck: A methodology for dynamic gray-box modeling with optimized training data / Winz J. , Fromme F., Engell S. Process Dynamics and Operations Group, TU Dortmund University, Energy reports, Issue 10. November 2023, P. 396-406.
12. Moon Un-Chul. A comparative study of water wall model with a linear model and a neural network model/ Un-Chul Moon, Jaewoo Lim, Geon Go, Kwang. Y. Lee// Proceedings of the 19th World Congress The International Federation of Automatic Control Cape Town, South Africa. August 24-29, 2014, P.1446-1451.
13. Руденко О.Г. Штучні нейронні мережі: Навч. посібник. /О.Г.Руденко, Є.В. Бодянський– Харків: ТОВ “Компанія СМІТ”, 2006. 404 с.
14. Самойлова Ж.Г. Розробка математичної моделі технологічних процесів в реакторі синтезу оцтової кислоти/ Ж.Г.Самойлова// Eastern-European Journal of Enterprise Technologies, 5/2 (113 ), 2021, С.94-104.
