" Н а у к а м о л о д ы х " , 2 6 н о я б р я 2 0 1 9 г . , А р з а м а с
П о с в я щ а е т с я 8 5 - л е т и ю в ы с ш е г о п е д а г о г и ч е с к о г о о б р а з о в а н и я в А р з а м а с е и
8 0 - л е т и ю п р о ф е с с о р а В я ч е с л а в а П а в л о в и ч а П у ч к о в а
462
Для изменения состава питания исходная смесь представлялась в виде
двух (лѐгкой и тяжѐлой) фракций. При назначении новых составов по этим
фракциям покомпонентный состав формировался пропорционально долям
компонентов в базовом режиме.
Искусственные нейронные сети представляют собой устройства,
состоящие из множества простых взаимодействующих процессоров,
обеспечивающих параллельные вычисления. Такими процессорами в
нейронной сети являются нейроны – базовые элементы обработки информации.
Для обучения сети требуется массив данных, в которых каждому вектору
входных параметров соответствует вектор выходных параметров, входному
параметру соответствует выходной. Такой массив называют обучающей
выборкой. В ходе оптимизации было смоделировано 441 режимов. В качестве
входных данных используются расход и состав питания колонны К-1. Они
изменялись с шагом в 1 % в диапазоне
10 % от базовых значений. Выходными
данными обучающей выборки являются компромиссные значения расхода
парового потока и расхода кубового продукта заданного качества.
Для моделирования нейронных сетей используется пакет Neural Networks
Toolbox системы MATLAB [4]. Наиболее предпочтительно использовать
однонаправленную многослойную сеть, которая обучается методом обратного
распространения ошибки. Такую сеть называют персептроном. Нейроны
данной сети используют сигмоидальную функцию активации нейронов
скрытого слоя и линейной функции активации нейронов выходного слоя. Такая
сеть позволяет точно решать задачи многомерной аппроксимации при условии
согласованности данных и достаточном количестве нейронов в скрытом слое.
В качестве алгоритма обучения принят алгоритм Левенберга-Маквардта,
предназначенный для оптимизации параметров нелинейных регрессионных
моделей [5]. Сущность метода заключается в том, что в качестве критерия
оптимизации используется среднеквадратичная ошибка модели на обучающей
выборке. Алгоритм позволяет последовательно приближать заданные
начальные значения параметров к искомому локальному оптимуму.
Разработанная сеть представлена на рис. 3.
Рис. 3. Используемая нейронная сеть
