8 (495) 987 43 74 доб. 3304 Прием заявок на рассмотрение статей E-mail: evlasova@synergy.ru

Мы в соцсетях -              
Рус   |   Eng

Материалы в свободном доступе

Авторы: Дли М. И., Василькова  М. А., Рысина (Лобанева) Е. И., Синявский Ю. В.     Опубликовано в № 5(101) 21 октября 2022 года
Рубрика: Модели и методики

Метод классификации перемешивающих устройств с использованием глубоких нейронных сетей с расширенным рецептивным полем

Представлены результаты исследования, целью которого являлась разработка метода и программного инструментария для определения класса перемешивающего устройства по показателю его коэффициента сопротивления на основе обработки экспериментальных данных. В настоящее время основными методами исследования перемешивающих устройств являются методы конечных элементов, а также процедуры оценки параметров турбулентного переноса с использованием лазерной доплерометрии и химического анализа проб. Указанные методы предполагают наличие дорогостоящего оборудования и обеспечивают при этом результаты только для отдельных типов оборудования. Это затрудняет распространение полученных выводов на широкий класс устройств с различной конструкцией перемешивающего винта. Предлагаемый метод подразумевает обработку результатов эксперимента, в рамках которого на дне заполненного прозрачной жидкостью сосуда расположен точечный источник света, формирующий направленный вертикально вверх луч. В сосуд помещается перемешивающее устройство с изменяемой частотой вращения. Далее применяется двухканальная обработка видеосигнала на поверхности перемешиваемой жидкости и временной последовательности, характеризующей изменение частоты вращения лопастей устройства. В каналах предложено использовать нейронные сети различных архитектур: в одном канале сверточную, а в другом – рекуррентную сеть. Результаты функционирования каждого канала обработки данных агрегируются на основе мажоритарного правила. Новизна предлагаемого метода с вычислительной точки зрения заключается в расширении рецептивного поля для каждой из сетей за счет взаимного преобразования изображений и временных последовательностей. В результате каждая из сетей обучается на большем объеме данных с целью выявления скрытых закономерностей. Это в конечном итоге приводит к повышению точности классификации, что подтверждается результатами апробации предложенного метода с использованием разработанного в среде MatLab программного приложения.

Ключевые слова

глубокие нейронные сети, перемешивающие устройства, классификация состояний

Автор статьи:

Дли М. И.

Ученая степень:

докт. техн. наук, профессор, кафедра информационных технологий в экономике и управлении, филиал Национального исследовательского университета «МЭИ» в г. Смоленске, Смоленск; ведущий научный сотрудник, Университет «Синергия»

Местоположение:

г. Смоленск, Россия

Автор статьи:

Василькова  М. А.

Ученая степень:

инженер, филиал Федерального государственного бюджетного образовательного учреждения высшего образования «Национальный исследовательский университет «МЭИ» в г. Смоленске

Местоположение:

Смоленск, Россия

Автор статьи:

Рысина (Лобанева) Е. И.

Ученая степень:

аспирант, кафедра прикладной математики и искусственного интеллекта, Федеральное государственное бюджетное образовательное учреждение высшего образования «Национальный исследовательский университет "МЭИ"», Москва, Россия,

Местоположение:

г. Москва, Россия

Автор статьи:

Синявский Ю. В.

Ученая степень:

канд. техн. наук, доцент, кафедра технологических машин и оборудования, филиал Федерального государственного бюджетного образовательного учреждения высшего образования «Национальный исследовательский университет "МЭИ"» в г. Смоленске

Местоположение:

г. Смоленск, Россия