Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
54):число итераций 9950, R = 0.9977, RMSE t = 0,0063, RMSE v = 0,0063, где R –<br />
коэффициент корреляции между предсказанными и экспериментальными значениями,<br />
RMSE t и RMSE v – абсолютные среднеквадратичные ошибки для<br />
обучающей и контрольной выборок (г/мл).<br />
Рис. 54. Результаты нейросетевого моделирования зависимости структура –<br />
температура - плотность<br />
Таким образом, нейросетевая модель позволяет определять и прогнозировать<br />
плотность углеводородов произвольной структуры при произвольных значениях<br />
температуры с высокой степенью точности.<br />
7.2.2.3. Моделирование зависимости «структура - температура – динамическая<br />
вязкость»<br />
При построении нейросетевой модели были использованы значения динамической<br />
вязкости (в сантипуазах) углеводородов разнообразной структуры<br />
в температурном интервале от –180 до 300 о С [467, С. 136 - 159]. Для всех<br />
структур из исходной выборки были выделены фрагменты с максимальной<br />
длиной, равной 4 атомам. Все рассчитанные фрагментные дескрипторы и значения<br />
температур затем были подвергнуты модификациям «квадрат величины»,<br />
«логарифм величины», «обратная величина» и «величина, деленная на количество<br />
неводородных атомов в молекуле». Значения динамической вязкости углеводородов<br />
были прологарифмированы.<br />
254