WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 |

Шаг 3.2. Визуализация полученных результатов для всех циклов наблюдений в виде зависимостей Сk=f1(k) и n=f2(k) по результатам предыдущего шага.

Этап 4. Обработка геодинамических данных для определения деформаций площадных объектов в горизонтальном направлении методикой от оформляющего эллипса.

Шаг 4.1. Визуальное представление геодинамических данных для каждого цикла в горизонтальной плоскости.

Шаг 4.2. Выбор начальных приближенных значения полуосей эллипса a0 и b0, а также координат центра эллипса Хс0 и Ус0.

Шаг 4.3. Для каждого цикла наблюдений последовательно производится расчет N приближений для параметров эллипса an, bn, Xcn, Уcn. Кроме того вычисляется сумма квадратов отклонений результатов наблюдений Хi от приближённого его значения Хi', лежащего на оформляющем эллипсе. Выполнение расчета производится до выполнения формул (4).

Шаг 4.4. Визуализация полученных результатов для всех циклов

наблюдений в виде зависимостей XcN k=f1(k) и УcN k=f2(k) по результатам предыдущего шага.

Шаг 4.5. Визуализация всей совокупности значений координат центра эллипса Xc и Уc для всех циклов наблюдений в виде зависимости УcN= f3(XcN).

Этап 5. Обработка геодинамических данных для определения деформаций площадных объектов в горизонтальном направлении методикой от оформляющей окружности.

Шаг 5.1. Визуальное представление результатов наблюдений для каждого цикла в горизонтальной плоскости.

Шаг 5.2. Выбор начальных приближенных значений радиуса окружности R0, а также координат центра окружности Хс0 и Ус0.

Шаг 5.3. Для каждого цикла геодезических наблюдений последовательно производится вычисление N приближений для параметров оформляющей окружности Rcn, Xcn и Уcn. Кроме этого вычисляется суммы квадратов отклонений результатов наблюдений Хi и Уi от их приближенных значений Хi' и Уi', лежащих на оформляющей окружности. Такой процесс продолжается n раз до выполнения формул (5).

Шаг 5.4. Визуализация представления полученных результатов для всех циклов наблюдений в виде зависимостей XcN k = f1(k) и УcN k = f2(k) по результатам предыдущего шага.

Шаг 5.5. Визуализация всей совокупности значений координат центра оформляющей окружности Xc и Уc для всех циклов наблюдений в виде зависимости УcN = f3(XcN).

Этап 6. Обработка геодинамических данных для определения деформаций площадных объектов в вертикальном направлении методикой от оформляющей плоскости.

Шаг 6.1. Производится для каждого (k-го) цикла геодинамических данных вычисления значений расстояний Рk от оформляющей плоскости до начала координат, а также углов k, k, k, которые образует оформляющая плоскость с осями координат.

Шаг 6.2. Визуализация полученных результатов для всех циклов наблюдений в виде зависимостей Pk = f1(k), k = f2(k), k = f3(k), k = f4(k) по результатам предыдущего шага.

Этап 7. Сравнительный анализ полученных деформационных характеристик с нормами и предельно-допустимыми значениями.

Этап 8. Классификация полученной ситуации на площадке промышленного объекта.

Этап 9. Формирование управляющих рекомендаций для эксплуатационных служб.

Таким образом, разработанный алгоритм позволяет определить деформации линейных и площадных объектов в горизонтальном и вертикальном направлениях с целью классификации ситуации на площадке на данный момент для своевременного вмешательства эксплуатационных служб. Также алгоритм используется для произвольного расположения геодинамических наблюдательных пунктов, что дает возможность обрабатывать различные геодинамические данные прежних лет на наблюдательных пунктах, установленных в процессе строительства сооружений на площадках промышленных объектов.

Для реализации прогноза общего сдвига площадки с учетом параметров природно-техногенных факторов на ближайшие годы в рамках работы были проанализированы основные модели и методы прогнозирования, в результате чего была выбрана нейросетевая технология, имеющая важные преимущества:

  • использование в моделях многомерных массивов, позволит учитывать взаимосвязи всех факторов;
  • точный краткосрочный и долгосрочный прогноз;
  • качественная обработка рядов, имеющих вероятностную природу;
  • возможность использования смешанных сетей;
  • качественная обработка зашумленных данных;
  • высокая адаптивность.

В диссертации были проанализированы основные парадигмы, архитектуры и алгоритмы обучения нейронных сетей. Были протестированы прогнозные нейросетевые модели. Выбрана нейронная сеть, выполняющая наиболее точный прогноз, со следующими характеристиками:

  • Парадигма - «с учителем» - позволила учитывать реальные статистические данные природно-техногенных воздействий на деформации грунтовых оснований площадок промышленных объектов;
  • Обзор различных архитектур нейронных сетей, предназначенных для задач прогнозирования, позволил выбрать для решения нашей задачи обобщенно-регрессионную нейронную сеть GRNN, так как она позволяет:
  • быстро обучаться;
  • использовать большое количество модифицированных вариантов коррекции ошибки обучения;
  • использовать вероятностные факторы;
  • прогнозировать с высокой точностью при сильно зашумленных данных.
  • Алгоритм обучения - алгоритм обратного распространения с автоматическим определением длины шага – выбран на основе анализа тестовых характеристик существующих алгоритмов обучения. Выбранный алгоритм является самым эффективным среди прочих по показателю точности прогноза.
  • Тип функции активации – сигмоидальная функция, принимает бесконечное множество значений в диапазоне от 0 до 1, является дифференцируемой, что играет важную роль в теории нейронных сетей.

Как уже было сказано выше, для решения задачи прогнозирования временных рядов в качестве нейронной сети была выбрана обобщенно-регрессионная сеть, реализующая методы ядерной аппроксимации. В задачах регрессии выход сети может рассматриваться как ожидаемое значение модели в данной точке пространства входов. Это ожидаемое значение связано с плотностью вероятности совместного распределения входных и выходных данных. В точку расположения каждого обучающего наблюдения помещается гауссова ядерная функция. Считается, что каждое наблюдение свидетельствует о некоторой уверенности в том, что поверхность отклика в данной точке имеет определенную высоту, и эта уверенность убывает при отходе в сторону от точки. GRNN-сеть копирует внутрь себя все обучающие наблюдения и использует их для оценки отклика в произвольной точке. Окончательная выходная оценка сети получается как взвешенное среднее выходов по всем обучающим наблюдениям, где величины весов отражают расстояние от этих наблюдений до той точки, в которой производится оценивание, и таким образом более близкие точки вносят больший вклад в оценку.

GRNN-сеть имеет два скрытых слоя: слой радиальных элементов и слой элементов, которые формируют взвешенную сумму для соответствующего элемента выходного слоя. Входной слой передает сигналы на первый промежуточный слой нейронов, являющихся радиально симметричными. Они несут в себе информацию о данных обучающих случаев или же их кластерах и передают ее во второй скрытый слой. В нем формируются взвешенные суммы для всех элементов выходного слоя и сумма весов, вычисляемая специальным элементом. Если обозначить выход i-го нейрона первого скрытого слоя как vi, то выходной сигнал l-го нейрона второго скрытого слоя вычисляется по формуле:

,

где k - число нейронов в первом скрытом слое. Для выбора количества нейронов была использована теорема Колмогорова-Арнольда-Хехт-Нильсена, следствием которой является метод расчета количества синоптических весов для скрытого слоя:

где n – количество нейронов во входном слое; l – количество нейронов в выходном слое; N – число статистических наблюдений.

А для расчета количества нейронов в скрытом слое:

.

Обозначив весовой коэффициент i-го нейрона первого скрытого слоя как, получена формула для суммы весов:

Наконец, выходное значение нейросети выдает окончательный прогноз:

где xi - компонента входного вектора признаков; wji -весовые коэффициенты между входным и скрытым слоями; H - число нейронов в последнем скрытом слое; f1(x) - функция активации нейронов последнего скрытого слоя; f2(x) - функция активации нейрона выходного слоя; uj - значение выхода j-го нейрона последнего скрытого слоя; z0є 1, j = 1, …, H; vk - весовые коэффициенты между скрытым и выходным слоями; k = 0,1, …, H; p - длина статистического ряда.

В результате была разработана нейросетевая модель, имеющая следующую структуру:

  • 14 нейронов во входном слое. На вход нейронной сети подаются нормализованные значения выявленных нами природно-техногенных факторов влияния на деформации грунтовых оснований, а также полученные значения горизонтальных и вертикальных деформаций;
  • 2 нейрона в выходном слое, соответствуют предсказываемым значениям деформаций грунтового основания в горизонтальном и вертикальном направлениях;
  • 2 скрытых слоя. 66 нейронов в первом скрытом слое и 56 нейронов во втором скрытом слое.

Полученные в результате применения новых методик горизонтальные и вертикальные деформации, а также их регрессионные зависимости от природно-техногенных факторов легли в основу нейросетевой модели.

Дополнительно были исследованы влияния на деформации еще 18 природно-техногенных факторов, выбранных на основе экспертных оценок специалистов. На вход нейронной сети подавались нормализованные значения 12 значимых факторов, выделенных ранее, а также дополнительные 18 параметров с целью оценки показателя точности прогноза. Но, поскольку влияние второй группы факторов оказалось незначительным в результате работы нейросети, был сделан вывод не вводить дополнительные нейроны во входной слой и тем самым неэффективно увеличивать время работы сети.

Обучение прогнозной нейросетевой модели проводилось на 120 готовых выборках векторов, которые содержали в себе примеры неопасной, опасной и критической ситуаций, сложившиеся на АЭС, с учетом параметров 12 выявленных ранее в рамках диссертационной работы природных и техногенных факторов, оказывающих существенное влияние на деформации грунтовых оснований.

Проведенные исследования подтвердили эффективность применения нейросетевых технологий для прогнозирования общего сдвига грунтового основания площадки промышленного объекта с учетом значимых природно-техногенных факторов влияния на деформации грунта. В ходе эксперимента разработанная нейронная сеть была настроена таким оптимальным образом, что реальные результаты, полученные при помощи геодинамического мониторинга в прошлые годы, и смоделированный нейросетевой прогноз практически повторяют друг друга. Ошибка прогноза составила 5%. Поскольку это значение ошибки находится в допустимых пределах, задача обучения нейросети считается решенной, что позволило нам использовать её для получения прогноза общего сдвига площадки. Точность прогноза повысилась на 25% по сравнению с используемыми ранее методами прогнозирования.

Практическая реализация разработанных методик, моделей, методов и алгоритма обработки геодинамических данных и прогнозирования деформаций грунтовых оснований площадок промышленных объектов была осуществлена при помощи специально разработанного пакета прикладных программ «MicroDeformAPS», реализованного в интегрированной среде разработки Delphi 7.

Функциональная схема ППП «MicroDeformAPS» включает в себя интерфейс с пользователем, десять программных модулей и пять баз данных (рис. 2).

Проведена апробация функционирования ППП «MicroDeformAPS» для Ростовской АЭС с использованием результатов геодинамического мониторинга 2 циклов наблюдений, проведенных в период 2007-2008гг. По полученным результатам геодинамических наблюдений ППП «MicroDeformAPS» визуализирует расположение наблюдательных пунктов на координатной плоскости.

Рис.2. Функциональная схема ППП «MicroDeformAPS»

Для определения деформаций в горизонтальном направлении используется модуль расчета деформационных характеристик от оформляющей окружности (рис.3). В результате расчета деформационных характеристик с помощью оформляющей окружности получен общий сдвиг площадки в горизонтальном направлении на 1,3 мм.

Рис.3. Оформляющая фигура в виде окружности

Для определения вертикальных деформаций выбирается модуль расчета деформационных характеристик от оформляющей плоскости (рис. 4).

Рис.4. Оформляющая фигура в виде плоскости

В результате работы модуля получена информация, что смещение центра площадки за период 06.2007 - 06.2008гг. составило -0,9 мм.

ППП «MicroDeformAPS» классифицирует ситуацию на Ростовской АЭС как «неопасную». При этом управляющие рекомендации для эксплуатационных служб Ростовской АЭС не формируются.

Pages:     | 1 |   ...   | 2 | 3 || 5 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»