Аспирант Левин М.Ю.

Государственное научное учреждение Всероссийский научно-исследовательский институт использования техники и нефтепродуктов Российской академии сельскохозяйственных наук, г. Тамбов

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА БИОДИЗЕЛЯ

Особое место в технологическом процессе изготовления биодизеля отводится его испытаниям и контролю качества. Если при проверке топливо не соответствует положительной оценке, оно подвергается доработке с последующим повторным испытанием [1].

Получение биодизеля представляет собой сложный технологический процесс, качество конечного продукта в котором определяется в первую очередь качеством исходного сырья. Прогнозирование параметров качества биотоплива по физико-химическим показателям исходного сырья является важной задачей в химической промышленности.

В литературе описаны практические разработки применения нейронных сетей для моделирования различного рода инженерных систем [2]. Показано, что нейросетевые модели – это универсальный механизм для моделирования функций и классификации объектов. Нейронные сети – исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе [2, 3, 4].

В работе построена оптимальная архитектура нейронной сети для прогнозирования плотности, кинематической вязкости, содержания механических примесей по физико-химическим показателям исходного масла (для исследований принято рапсовое масло в качестве исходного сырья).

Для оценки эффективности прогноза параметров качества биодизеля многослойной нейронной сетью с различной архитектурой был сформирован массив данных, содержащий информацию с показателями рапсового масла по ГОСТ 8988-2002 и показателями биодизеля по европейскому стандарту на метиловые эфиры жирных кислот для дизельных двигателей EN14214:2003. Принято, что физико-химические показатели рапсового масла изменяются по закону нормального распределения в пределах от марки Р до марки Т. Прогнозируемые параметры биодизеля также меняются по нормальному закону распределения (таблица 1). В массив добавлены шумовые значения.

Таблица 1 – Характеристики массива данных

Параметры		Значение параметра
		Миним-альное	Максим-альное	Среднее
Входные	Перекисное число, ммоль активного кислорода/кг	9	10	9,5
	Цветное число, мг йода	85	95	89,81
	Кислотное число, мг КОН/г	4,0	6,0	4,96
	Массовая доля влаги и летучих веществ, %	0,25	0,27	0,26
	Массовая доля нежировых примесей, %	0,15	0,20	0,17
	Массовая доля эруковой кислоты в масле, % к сумме жирных кислот	4,5	5	4,75
	Температура вспышки экстракционного масла, °С	230	234	232
Выходные	Плотность биодизеля при температуре 15°С, кг/м^3	860	900	879,22
	Кинематическая вязкость биодизеля при температуре 40°С, мм^2/с	3,50	5,0	4,22
	Содержание механических примесей в биодизеле, мг/кг	0	24	11,61

Структурная идентификация нейросетевой модели состоит в выборе используемых функций активации, количества слоев сети и количества нейронов в каждом слое [2]. Выбор вида функции активации зависит от задач, для решения которых предполагается использовать синтезируемую нейросетевую модель. Обычно в качестве функции активации выбирают логистическую функцию или гиперболический тангенс. Эти функции применимы для широкого круга задач [3, 4].

Из проведенных ранее исследований [5] известно, что результаты прогноза с наименьшей ошибкой, показывают нейронные сети с гиперболической функцией активации нейронов , где a и b – константы ( и ). Поэтому в работе изучалось влияние количества нейронов в скрытом слое на ошибку прогноза. А в качестве функции активации нейронов использовался гиперболический тангенс. При прогнозе с использованием нейронной сетью были использованы архитектуры сети с 4, 7, 10, 13, 15 и 21 нейроном в скрытом слое. При всех видах архитектуры сети был использован алгоритм переменной метрики как метод минимизации целевой функции.

Результаты прогнозирования параметров биодизеля с применением нейронной сети различной архитектурой сведены в таблице 2.

Таблица 2 – Результаты прогнозирования параметров качества биодизеля нейронной сетью с различной архитектурой

Вид сети	Среднеквадратичная ошибка прогноза
	Плотности	Кинематической вязкости	Содержания механических примесей
7-4-3	1,03	0,05	0,45
7-7-3	0,81	0,09	0,65
7-10-3	2,48	0,07	0,92
7-13-3	1,13	0,29	1,41
7-15-3	0,64	0,07	0,76
7-21-3	2,12	0,13	1,33

В кодовом обозначении «Вид сети» первые цифры обозначают количество входных параметров, последние – количество выходов; вторая цифра показывает количество нейронов в скрытом слое.

Лучший результат прогноза показателей качества биодизеля показала нейронная сеть с 15 нейронами в скрытом слое. Показано, что среднеквадратичная ошибка прогноза нейронной сетью с архитектурой 7-15-3 для плотности будет равна 0,64 кг/м³, для кинематической вязкости – 0,07 мм²/с, для содержания механических примесей – 0,76 мг/кг.

Таким образом, нейронная сеть способна прогнозировать плотность, кинематическую вязкость, содержание механических примесей по физико-химическим показателям исходного масла с достаточно высокой точностью и может быть использована для оптимизации режимов получения биодизеля.

Список литературы:

1. Смирнова Т.Н., Подгаецкий В.М. Биодизель – альтернативное топливо для дизелей. Получение. Характеристики. Применение. Стоимость. URL: http://engine.aviaport.ru/issues/49/page32.html. (дата обращения: 10.12.2011)

2. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2004. – 344 с.

3. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Изд-во физ.-мат. литературы, 2001.-224 с.

4. Хайкин, Саймон. Нейронные сети: полный курс, 2-е изд., испр.: пер. с англ. – М.: ООО «И.Д. Вильямс», 2006. – 1104 с.

5. Левин М.Ю., Шкатов В.В. Применение нейронных сетей для прогнозирования механических свойств горячекатаной листовой стали. Липецкий государственный технический университет // Вести высших учебных заведений Черноземья, 2011. № 1.