Авторы: Rajasimman, M., Govindarajan, L. and Karthikeyan, C.
Название в оригинале: Artificial neural network modeling of an inverse fluidized bed bioreactor
Перевод: А.А. Перевозчиков
Источник(англ.): Department of Chemical Engineering, Annamalai University, Annamalai Nagar–608002, Tamil Nadu, India Caledonian University, Sultanate of Оman http://www.ijer.ir/...
Искусственные нейронные сети (ИНС) были созданы как инструмент для легких и удобных вычислений и их применение в инженерных областях является очень перспективным и пользуется большой популярностью .(Hamoda и др., 1999;. Hack и Kohne, 1996; Gontarski и др., 2000;. Bongards, 2001; Хамед ET др., 2004;. Рене и Saidutta, 2008). ИНС уже успешно применяются для решения проблем в таких областях, как диагностика неисправностей, процесс идентификации, оценка имущества, сглаживание данных и ошибок фильтрации, проектирование и разработка продукции, оптимизация, динамическое моделирование и контроль химических процессов. Цель использования искусственных нейронных сетей в системе очистки сточных вод заключается в уменьшении количества экспериментов, которые нужно провести для того, чтобы охарактеризовать систему. ИНС обладают замечательной способностью извлекать полезную информацию из сложных или неполных данных. Они могут быть использованы для получения шаблонов и выявления тенденций, которые слишком сложны, чтобы быть замеченными другой вычислительной техникой (Mehrotra et al., 1997).
Нейронные сети работают по подобию стратегий обработки информации человеческим мозгом и являются полезными для решения различных инженерных задач. ИНС можно рассматривать как средства для параллельных вычислений, состоящие из высокоорганизованных элементов, называемых нейронами, которые контролируют всю систему обработки путем установления ассоциативных связей между объектами в ответ на их реакцию на «внешних раздражителей». Исследователи предложили множество архитектур нейронных сетей. Двумя наиболее распространенными архитектурами нейронных сетей для решения нелинейных задач в инженерных системах являются сети с обратным распространением ошибки и сети радиальных базисных функций (РФБ). Сети радиальных базисных функций требуют меньше нейронов, чем сети с обратным распространением ошибки и они могут обучаться за небольшой промежуток времени (Govindarajan, 2002). В данной работе, сеть радиальных базисных функций была успешно использована для прогнозирования деградации органических веществ, присутствующих в сточных водах, обрабатываемых в реакторе с псевдоожиженным слоем. Предложенная методика использования сетей с радиальными базисными функциями требует лишь ограниченных экспериментальных данных для прогнозирования поведение системы. Простая хорошо обученная нейронная сеть может быть использована для преодоления проблемы моделирования реактора без предварительных знаний об отношениях переменных данного процесса. Основные преимущества сетей радиальных базисных функций:
Следующие шаги повторяются до тех пор, пока не будет достигнут заданный уровень среднеквадратичной ошибки сети (рис. 1.)
Рис. 1 – Стуктура сети радиальных базисных функций
Структура сети радиальных базисных функций, которая используется в этой работе представлена следующим образом:
Newrb – добавляет нейроны в скрытый слой сети радиальных базисных функций до тех пока она не будет достигнуто заданное значение СКО. NEWRB (PR, T, Goal, Spread, MN, DF) принимает следующие аргументы:
Newrb создает новую двухслойную сеть. Первый слой содержит нейроны radbas и рассчитывает взвешенные входные значения с помощью функции dist, а выходные с помощью функции netprod. Второй слой имеет нейроны purelin и рассчитывает взвешенные входные значения с помощью функции netprod, а выходные с помощью функции netsum. Оба слоя имеют смещения. Изначально слой radbas не имеет нейронов. Следующие шаги повторяются до тех пор, пока СКО не достигнет заданного порога или пока не будет достигнуто заданное количество нейронов:
Параметры, используемы в данном исследовании представлены следующим образом:
Сеть радиальных базисных функций был обучена для прогнозирования эффективности IFBBR. Критерием оценки эффективности работы реактора выступает снижение количества органических веществ, присутствующих в сточных водах. Нейронная сеть была обучена со следующими входными данными: концентрация вещества, время удержания вещества и выходная концентрация реактора. Данных использовавшиеся для обучения:
Входные и выходные значения для нейронной сети приведены в таблице 1.
Таблица 1 – Входные и выходные значения для нейронной сети
В работе были проведены испытания, используя различные входные данные, полученные в результате работы нейронной сети значения были сравнены с экспериментальными данными, значения абсолютного отклонения и среднеквадратичной ошибки приведены в таблице 2.
Таблица 2 – Значения абсолютного отклонения и среднеквадратичной ошибки
В этом исследовании было проведено моделирование работы реактора для очистки сточных вод с использованием искусственной нейронной сети. Сеть радиальных базисных функций была обучена с экспериментальными данными, полученными в результате работы реактора по очистке сточных вод. Значения, полученные в результате работы ИНС были очень близки к экспериментальным значениям. Маленькие значения СКО (менее 10% в большинстве случаев) указывают на успешную работу ИНС для прогнозирования. Главный вывод этой работы в том, что использование нейронных сетей может позволить добиться лучшего результата, который зависит от некоторых переменны, в частности от времени удержания вещества.