Типовые модели структуры потоков в аппаратах: комбинированная модель.
При построении комбинированной модели принимается, что процесс или аппарат состоит из отд. зон, соединённых послед-но или параллельно, структуры потоков которых различны. Помимо этого могут наблюдаться локальные потоки (проскальзывание, циркуляционное проскальзывание и т.д.).
Наличие потоков указанных видов устанавливаются по опытным данным от зависимости вых величины от вх.
Примеры комбинированных моделей:
1.
Модель идеального смешивания с застойной
зоной
2
.
последовательное соединение зон
идеального вытеснения и идеального
смешивания
3. модель ид-го вытеснения с рециклом
4. параллельное соединение зон идеального вытеснения и перемешивания.
Состав, структура и свойства нейронных сетей. Биологическая аналогия.
НС основаны на примитивной биологич. модели нервной системы.
Идея НС родилась в ходе исследований в обл. интеллекта в результате попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделирую низкоуровневую структуру мозга(94-96 гг).
Мозг состоит примерно из 1 тыс млрд нейронов, соединённых многочисленными связями.
Нероны – спец. клетки, способные распространять электро-химич. сигнал. Нейрон имеет разветвлённую стр-ру ввода информации (дендриты), ядро и разветвляющийся выход (аксон).
Аксоны соединяются с дендритами др. нейронов с помощью синапсов. Каждый нейрон может иметь до нескольких 1000 связей с другими нейронами.
При активации нейрон посылает электрохимич. сигнал по своему аксону и через синапсы этот сигнал достигает дендритов других нейронов, которые также могут активироваться. Нейроны активируются тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендрита превысит опр. порог (порог активации).
Алгоритм моделирования сложных объектов и систем с помощью нейронных сетей.(70)
1. Выбор объекта исследования и переменных между которыми должна существовать определенная взаимосвязь.
2. Сбор исходной информации (набор статистических данных для репрезентативной выборки с большим количеством повторений, число которых должно быть тем меньше, чем больше шумовое поле).
3. Выбор модификаций с различными направлениями связи и соответственно топологии.
4. Обучение выбранных модификаций нейронных сетей с помощью подготовленных данных.
5. Сравнительный анализ уровня ошибок при одинаковом числе циклов обучения.
6. Сравнение числа циклов необходимых для получения глобального минимума ошибок.
7. Выбор нейронной сети, отвечающей целям моделирования согласно сравнительного анализа.
8. Получение данных с помощью этой сети. Проверка полученных данных в критических точках и расчет адекватности нейронной сети моделируемому процессу.
Применение нейронных сетей для прогнозирования поведения системы в будущем.(71)
Методы нейронных сетей могут использоваться или служить хорошим дополнением к традиционным статистическим методам анализа систем и процессов.
Большинство статистических методов связано с построением моделей, основанных на тех или иных предположениях и теоретич. выводах.
Нейросетевой подход связан не связан с такими предположениями. Этот метод одинаково годится как для линейных, так и для сложных нелинейных зависимостей. И особенно эффективен в разведочном анализе, когда необходимо выяснить, имеются ли зависимости между заданными переменными.
Нейронные сети(НС) нелинейны по своей природе и представляют собой метод моделирования, позволяющий воспроизводить очень сложные зависимости. НС учатся на примерах.
Пользователь НС или программист выбирает репрезентативную выборку, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.
Осн. этапы моделир-я с помошью НС:
1. Выбор объекта иссл-я, к которому можно применить данный .
2. Сбор исх. информации, подготовка репрезентативной выборки(шумовые эффекты должны быть снижены в ней до мин. – выборка должна как можно более полно характеризировать объект).
3. Выбор нескольких модификаций НС с разл. уровнями и связей.
4. обучение модификаций с помошью подготовленных данных.
5. сравнение уровня ошибок при одинаковом числе циклов обучения.
6. определение конченого вида НС и её погрешности.
7. получение нов данных с помошью сети.
8. проверка получ. данных в критических точках и расчет адекватности НС моделируемого процесса.