Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
54):число итераций 9950, R = 0.9977, RMSE t = 0,0063, RMSE v = 0,0063, где R – коэффициент корреляции между предсказанными и экспериментальными значениями, RMSE t и RMSE v – абсолютные среднеквадратичные ошибки для обучающей и контрольной выборок (г/мл). Рис. 54. Результаты нейросетевого моделирования зависимости структура – температура - плотность Таким образом, нейросетевая модель позволяет определять и прогнозировать плотность углеводородов произвольной структуры при произвольных значениях температуры с высокой степенью точности. 7.2.2.3. Моделирование зависимости «структура - температура – динамическая вязкость» При построении нейросетевой модели были использованы значения динамической вязкости (в сантипуазах) углеводородов разнообразной структуры в температурном интервале от –180 до 300 о С [467, С. 136 - 159]. Для всех структур из исходной выборки были выделены фрагменты с максимальной длиной, равной 4 атомам. Все рассчитанные фрагментные дескрипторы и значения температур затем были подвергнуты модификациям «квадрат величины», «логарифм величины», «обратная величина» и «величина, деленная на количество неводородных атомов в молекуле». Значения динамической вязкости углеводородов были прологарифмированы. 254
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 307 дескрипторов. Исходная выборка соединений, содержащая 3426 записей, была разбита случайным образом на обучающую (3084 записи) и контрольную (342 записи) 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 динамической вязкости углеводородов от их структур и температуры со следующими параметрами (см. также Рис 55): число итераций 10387, R = 0,9949, S t = 0,1411, S v = 0,1642, где R – коэффициент корреляции между спрогнозированными и экспериментальными значениями, RMSE t и RMSE v – абсолютные среднеквадратичные ошибки для обучающей и контрольной выборок (натуральный логарифм значения динамической вязкости). Рис. 55. Результаты нейросетевого моделирования зависимости структура – температура - логарифм динамической вязкости. 255
- 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 and 252: были модифицирован
- Page 253: зависимости давлен
- 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
- Page 303 and 304: 8.2.11. Кластеризация
Объединенный набор дескрипторов, состоящий из полученных в результате<br />
модификаций значений наряду с исходными значениями дескрипторов и<br />
температур, был подвергнут процедуре отбора наиболее существенных параметров<br />
с помощью метода БПМЛР (см. подраздел 4.1.5). В результате отбора<br />
осталось 307 дескрипторов. Исходная выборка соединений, содержащая 3426<br />
записей, была разбита случайным образом на обучающую (3084 записи) и контрольную<br />
(342 записи) подвыборки.<br />
В работе была использована трехслойная нейросеть с 10 скрытыми нейронами.<br />
Она обучалась по методу устойчивого распространения ошибки с коэффициентами<br />
уменьшения и увеличения шага, равными соответственно 0,5 и<br />
1,2. Таким образом, была получена нейросетевая модель зависимости динамической<br />
вязкости углеводородов от их структур и температуры со следующими<br />
параметрами (см. также Рис 55): число итераций 10387, R = 0,9949, S t = 0,1411,<br />
S v = 0,1642, где R – коэффициент корреляции между спрогнозированными и<br />
экспериментальными значениями, RMSE t и RMSE v – абсолютные среднеквадратичные<br />
ошибки для обучающей и контрольной выборок (натуральный логарифм<br />
значения динамической вязкости).<br />
Рис. 55. Результаты нейросетевого моделирования зависимости структура –<br />
температура - логарифм динамической вязкости.<br />
255