М а т е р и а л ы X I I В с е р о с с и й с к о й н а у ч н о - п р а к т и ч е с к о й к о н ф е р е н ц и и
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
463
Нейронная сеть содержит 9 нейронов в скрытом слое и 2 в выходном
слое. Обучающий набор был распределѐн следующим образом: 70% на
тренировку сети, 15% на оценку обобщающих свойств и 15% на тестирование.
Сеть обучена за 633 итерации. Было проведено сравнение результатов работы
нейронной сети с результатами, полученными в результате поиска
компромиссного решения (см.рис.4).
Рис. 4. Сравнение результатов моделирования по обученной нейронной сети с результатами
поиска компромиссного решения на статической модели
В результате проведѐнной работы смоделированы оптимальные
статические режимы работы ректификационной колонны К-1 в системе
выделения изопрена при изменении расхода и состава питания и построены
зависимости компромиссных значений расходов парового потока и кубового
продукта от расхода и состава питания.
По выборке, полученной при статической двухкритериальной
оптимизации при изменении расхода и состава питания, смоделирована и
обучена нейронная сеть. Обученная нейронная сеть, среднеквадратичная
ошибка которой составила 0,37. Данные параметры свидетельствует о высокой
точности представления разработанной нейронной сетью результатов
статической оптимизации по выбору компромиссного решения для колонны К-
1 в системе выделения изопрена.
Литература
1.
UniSim Design Suite – Free Trial of Simulation Software Now Available
[Электронный
ресурс].
–
URL:
-
US/explore/products/advanced-applications/unisim/Pages/unisim-design-suite.aspx/
(Дата обращения 28.09.2019).
