Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
отобраны так, чтобы они попадали в область действия номограммы: температуры кипения при атмосферном давлении должны были принадлежать интервалу от 100 до 700 о С; давления - интервалу от 0,01 до 700 мм рт. ст. Таким образом, нейросетевая модель позволяет определять и прогнозировать температуру кипения углеводородов произвольной структуры с более высокой степенью точности, чем широко используемая номограмма, причем для более широкого интервала значений давления. Табл. 28. Сравнительные результаты определения температур кипения ( о С) н-октатриаконтан Давление, мм рт. ст. Нейросетевая модель 0,01 219,700 218,224 2-метилгептан 14 18,050 17,894 н-гептакозан 25 290,400 290,629 30 93,000 91,231 псевдокумол 100 103,355 101,851 Название соединения Экспериментальные значения цис-декагидронафталин 3,4-диметилгексан 1,2-диэтил-бензол 300 87,230 86,035 500 167,151 166,022 Номограмма 206 (524,900 1 ) 15 (117,647 1 ) 287 (427,300 1 ) 97 (195,700 1 ) 100 (169,351 1 ) 85 (117,725 1 ) 165 (183,423 1 ) 1 ) – экспериментальные температуры кипения при 760 мм рт. ст., использованные при определении температур кипения по номограмме. Хочется отметить также, что значения температур кипения в области глубокого вакуума определяются по номограмме с большой погрешностью, в то время как небольшая ошибка нейросетевого прогноза постоянна во всем диапазоне значений давления. Когда данная работа была полностью завершена, в печати появилась статья [471], в которой авторы приводят результаты нейросетевого моделирования 252
зависимости давления насыщенных паров от температуры и структуры для 274 углеводородов (структуры описывались топологическими индексами и значением молекулярного веса). Однако число нейронов в скрытом слое нейросети, использованной для проведенного моделирования (29 нейронов), свидетельствует об избыточном количестве настраиваемых параметров модели и ставит под сомнение прогнозирующую способность этой модели. 7.2.2.2. Моделирование зависимости «структура - температура – плотность» При построении нейросетевой модели были использованы значения плотности углеводородов разнообразной структуры в температурном интервале от –180 до 300 о С [467, С. 87 - 110]. Для всех структур из исходной выборки были выделены фрагменты с максимальной длиной, равной 4 атомам. Все рассчитанные фрагментные дескрипторы затем были подвергнуты модификациям «квадратный корень из величины», «квадрат величины», «логарифм величины», «обратная величина» и «величина, деленная на количество неводородных атомов в молекуле». В качестве входных параметров были также использованы значения температур, возведенные в квадрат, и значения температур, деленные на количество неводородных атомов в молекуле. Объединенный набор дескрипторов, состоящий из полученных в результате модификаций значений наряду с исходными значениями дескрипторов и температур, был подвергнут процедуре отбора наиболее существенных параметров с помощью метода БПМЛР (см. подраздел 4.1.5). В результате отбора осталось 478 дескрипторов. Исходная выборка соединений, содержащая 3056 записей структура – температура - плотность, была разбита случайным образом на обучающую (2751 запись) и контрольную (305 записей) подвыборки. В работе была использована трехслойная нейросеть с 10 скрытыми нейронами. Она обучалась по методу устойчивого распространения ошибки с коэффициентами уменьшения и увеличения шага, равными соответственно 0,5 и 1,2. Таким образом, была получена нейросетевая модель зависимости плотности углеводородов от их структуры и температуры со следующими параметрами (см. также Рис. 253
- Page 201 and 202: алканов, см 3 /моль 7
- Page 203 and 204: свое преимущество
- Page 205 and 206: 6.3.1. Общая методоло
- Page 207 and 208: бирался оптимальны
- Page 209 and 210: 0,25 Результаты полу
- Page 211 and 212: При анализе дескри
- Page 213 and 214: 414]). Следует также о
- Page 215 and 216: d расч., г/куб.см 4,0 3,0
- Page 217 and 218: Табл. 15. Корреляция
- Page 219 and 220: Табл. 16. Усредненны
- Page 221 and 222: Как видно из Табл. 16
- Page 223 and 224: нием ошибки примен
- Page 225 and 226: NASAWIN (см. раздел 8.2) н
- Page 227 and 228: ГЛАВА 7. РАЗРАБОТКА
- Page 229 and 230: ного моделирования
- Page 231 and 232: ля и даже более сов
- Page 233 and 234: ного цианинового к
- Page 235 and 236: Значения констант
- Page 237 and 238: делена на обучающу
- Page 239 and 240: ность. Основной цел
- Page 241 and 242: На Рис. 50 приводятс
- Page 243 and 244: молекул с конденси
- Page 245 and 246: 7.1.4. Прогнозировани
- Page 247 and 248: сивов разрозненных
- Page 249 and 250: используются как т
- Page 251: были модифицирован
- Page 255 and 256: Объединенный набор
- Page 257 and 258: Оба механизма вклю
- Page 259 and 260: творителя, а также
- Page 261 and 262: Табл. 29. Характерис
- Page 263 and 264: набора дескрипторо
- Page 265 and 266: угодно сложные зав
- Page 267 and 268: симостей «структур
- Page 269 and 270: лей, хотя все модел
- Page 271 and 272: одновременно решае
- Page 273 and 274: Как видно приведен
- Page 275 and 276: принципе гарантиро
- Page 277 and 278: мерации атомов дос
- Page 279 and 280: бор сигналов, соотв
- Page 281 and 282: только с атомных се
- Page 283 and 284: 7.4.3. Примеры разных
- Page 285 and 286: Рис. 66. Минимальная
- Page 287 and 288: ров» ведет к ухудше
- Page 289 and 290: бензол, было отброш
- Page 291 and 292: на атому. После 4000 э
- Page 293 and 294: фов), то и все нейро
- Page 295 and 296: проведения линейно
- Page 297 and 298: тате чего NASAWIN прев
- Page 299 and 300: 8.2.3. Химически-орие
- Page 301 and 302: 8.2.7. Нейросетевые п
зависимости давления насыщенных паров от температуры и структуры для 274<br />
углеводородов (структуры описывались топологическими индексами и значением<br />
молекулярного веса). Однако число нейронов в скрытом слое нейросети,<br />
использованной для проведенного моделирования (29 нейронов), свидетельствует<br />
об избыточном количестве настраиваемых параметров модели и ставит<br />
под сомнение прогнозирующую способность этой модели.<br />
7.2.2.2. Моделирование зависимости «структура - температура – плотность»<br />
При построении нейросетевой модели были использованы значения<br />
плотности углеводородов разнообразной структуры в температурном интервале<br />
от –180 до 300 о С [467, С. 87 - 110]. Для всех структур из исходной выборки были<br />
выделены фрагменты с максимальной длиной, равной 4 атомам. Все рассчитанные<br />
фрагментные дескрипторы затем были подвергнуты модификациям<br />
«квадратный корень из величины», «квадрат величины», «логарифм величины»,<br />
«обратная величина» и «величина, деленная на количество неводородных<br />
атомов в молекуле». В качестве входных параметров были также использованы<br />
значения температур, возведенные в квадрат, и значения температур, деленные<br />
на количество неводородных атомов в молекуле. Объединенный набор дескрипторов,<br />
состоящий из полученных в результате модификаций значений наряду<br />
с исходными значениями дескрипторов и температур, был подвергнут процедуре<br />
отбора наиболее существенных параметров с помощью метода БПМЛР<br />
(см. подраздел 4.1.5). В результате отбора осталось 478 дескрипторов.<br />
Исходная выборка соединений, содержащая 3056 записей структура –<br />
температура - плотность, была разбита случайным образом на обучающую<br />
(2751 запись) и контрольную (305 записей) подвыборки. В работе была использована<br />
трехслойная нейросеть с 10 скрытыми нейронами. Она обучалась по методу<br />
устойчивого распространения ошибки с коэффициентами уменьшения и<br />
увеличения шага, равными соответственно 0,5 и 1,2. Таким образом, была получена<br />
нейросетевая модель зависимости плотности углеводородов от их<br />
структуры и температуры со следующими параметрами (см. также Рис.<br />
253