WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи

Гермашев Илья Васильевич

Анализ и синтез ХИМИЧЕСКИХ СТРУКТУР И органических ВЕЩЕСТВ на основе теории НЕЧЕТКИХ МНОЖЕСТВ

Специальность: 05.13.01 Системный анализ, управление и обработка информации (в химических технологиях, нефтехимии)

Автореферат
диссертации на соискание ученой степени
доктора технических наук

Иваново - 2010

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Волгоградский государственный педагогический университет»

Официальные оппоненты:

доктор технических наук, профессор        Чистякова Тамара Балабековна

доктор технических наук, профессор        Голованчиков Александр Борисович

доктор физико-математических наук, профессор        Солон Борис Яковлевич

Ведущая организация:

Московская государственная академия тонкой химической технологии

им. М. В. Ломоносова, г. Москва

Защита состоится «20» сентября 2010 г. в 10 часов в ауд. Г-205 на заседании совета по защите докторских и кандидатских диссертаций Д 212.063.05 при Государственном образовательном учреждении высшего профессионального образования «Ивановский государственный химико-технологический университет» по адресу: 153000, г. Иваново, проспект Ф. Энгельса, 7.

Тел. (4932) 32-54-33. Факс (4932) 32-54-33. E-mail: dissovet@isuct.ru.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Ивановский государственный химико-технологический университет» по адресу: 153000, г. Иваново, проспект Ф.Энгельса, 10.

Автореферат разослан «___»__________2010 г.

Ученый секретарь
совета Д 212.063.05        Зуева Г. А.



Актуальность проблемы

Химическая структура (ХС) представляет собой сложную многокомпонентную систему. Поэтому исследования, направленные на обработку информации о ХС, анализ строения, моделирование ее компонентов и их взаимодействия довольно сложны и связаны с такими проблемами, как идентификация целевой функции, формализация данных и методов, разработка специализированного математического и информационного аппарата.

Так мировой опыт исследования зависимости «структура – свойства» показал очень большую сложность этой проблемы. На сегодня оказалось возможным решить ее лишь частично. В качестве примера такого исследования можно привести работу Черкасова А. Р. 1, применившего трехмерный корреляционный анализ для установления взаимосвязей между строением молекул и их реакционной способностью. Современные тенденции таковы, что приходит осознание очень большой сложности данной зависимости, в связи с чем отказываются от прямого статистического структурного анализа и переходят к системному исследованию химической структуры, применяют современный аппарат искусственного интеллекта.

Информация о ХС и веществах, вообще говоря, является расплывчатой и неполной. Можно выделить несколько видов такого рода информации: субъективные суждения, погрешность в измерениях и расчетах параметров, ошибки и т. д. Исследование такой информации средствами нечетких множеств приводит к повышению уровня достоверности в процессе принятия решений, к расширению областей применения ХС и веществ, позволяет осуществлять поиск новых объектов, исследовать потребительские качества, конструировать и проектировать их.

Поэтому одним из подходов, позволяющих поддерживать такого рода исследования, является использование нечеткой математики. Сегодня в этом направлении получены существенные результаты в фундаментальных исследованиях, но что касается прикладных исследований, то в основном — это управление технологическими процессами. А применение нечеткой математики для исследования химических структур — это единичные исследования.

Проникновение нечетких множеств в химию и химическую технологию позволяет решать компьютерными средствами не только широкий круг задач интеллектуальной поддержки систем синтеза и идентификации, связанных с неопределенностью, но и, что особенно важно, создает условия для генерации новых научных и технических задач и новых способов их решения.

Данная работа базируется на нечеткой математике, основоположником которой является Л. Заде. Фундаментальные аспекты нечеткой математики получили существенное развитие в направлении теории нечетких множеств и нечеткой логики (Р. Р. Ягер, В. Новак, И. Перфильева, И. Мочкорж), мягкого математического анализа и исследования операций (Д. А. Молодцов). Прикладное направление (А. В. Леоненков, К. Хартманн) и применительно к химии и химической технологии было развито В. В. Кафаровым, И. Н. Дороховым, В. П. Мешалкиным, А. Ф. Егоровым, И. З. Батыршиным, Р. Х. Бахитовой, З.-х. Янгом, В. Марковой. На основе моделирования химико-технологических систем (В. В. Кафаров, В. П. Мешалкин, С. И. Дворецкий) были использованы математические подходы к компьютерному анализу данных (Ю. Н. Тюрин, А. А. Макаров, А. А. Самарский, П. Джурс, Т. Айзенауэр) и применительно к зависимости «структура – свойство» (Н. С. Зефиров, В. А. Палюлин, А. Р. Черкасов, М. Рандич, С. Хэнч).

Цель работы и основные задачи исследования

Основной целью работы являлось создание научно-методической базы для обработки нечеткой информации о химических структурах и веществах для теоретических и практических приложений.

При проведении исследования решались следующие задачи.

В области теории:

  1. Систематизация задач, относящихся к предмету исследования.
  2. Анализ современного состояния математических методов исследования зависимости «структура – свойство» в химии и химической технологии и формирование методик обработки химической информации в условиях неопределенности.
  3. Анализ и развитие математического аппарата теории нечетких множеств и возможностей его использования применительно к обработке химической информации.
  4. Разработка и формализация математических методов анализа и синтеза химических структур и веществ в рамках построенной системы исследований.

В области приложения теории к предметной области:

  1. Разработка, формализация и апробация метода прогноза физико-химических и технологических свойств химических веществ на основе моделирования зависимости «структура – свойство».
  2. Разработка, формализация и апробация метода экспертизы свойств реальных, малоизученных и виртуальных химических соединений.
  3. Разработка, формализация и апробация метода конструирования виртуальных химических структур и соединений для создания веществ с заданными свойствами.
  4. Решение задач внеэкспериментального экологического нормирования малоизученных веществ.

Объектом исследования являлась количественная зависимость «химическая структура – свойство ­– применение», предметом — математическая обработка информации о химических структурах и веществах в условиях неопределенности.

Достоверность проведенных исследований основана на формальном доказательстве ряда утверждений, касающихся теоретической базы, и анализе алгоритмов, использованных для реализации разработанных методов. Полученные алгоритмы реализованы на компьютере и апробированы в виде вычислительных экспериментов.

Научная новизна

  1. Создан комплекс методов и алгоритмов интеллектуальной поддержки систем анализа и синтеза химических объектов на основе формализации информации в терминах нечеткой математики. Эти методы предназначены для подготовки данных к наполнению электронных баз данных, их последующего анализа и на этой основе синтеза необходимых правил в рамках компьютерной системы. Основные отличия предлагаемых методов от уже известных обеспечивают в совокупности эффективность разработки и наполнения компьютерных систем исследования химических объектов — это подход к учету нечетких данных и единый подход к формализации на всех этапах исследования, что обеспечивает преемственность и согласованность данных.
  2. Предложен метод математической формализации информации в терминах нечетких множеств, позволяющий адаптировать математические методы для приложений к предметной области исследования, отличающийся от известных тем, что позволяет формализовать широкий класс химических и иных технических объектов в условиях неопределенности, унифицировать исходные данные, интерпретировать результаты для принятия решений.
  3. Предложен класс унимодальных функций принадлежности и на их основе исследованы операции над нечеткими множествами, что позволило эффективно обрабатывать предметную информацию.
  4. Разработаны оригинальные алгоритмы анализа и синтеза ХС, учитывающие неопределенности и позволяющие автоматизировать исследования ХС на этапах классификации информации, прогноза свойств, экспертизы и конструирования ХС и веществ.
  5. Получены профилированные базы данных ХС, статистики ХС, выявлены статистические зависимости «структура – свойство», новые виртуальные ХС, на основе которых были синтезированы вещества с заданными свойствами.

Практическая ценность и реализация результатов

Разработан метод анализа нечеткой химической информации, разработаны алгоритмы, позволяющие реализовать его на компьютере, и на этой основе созданы электронная база данных добавок для полимерных композиций и обучающие выборки для прогноза физико-химических, технологических и экологических свойств и конструирования ХС.

Метод позволяет численно оценить абсолютное потребительское качество химической продукции и путем систематизации и соответствующей обработки информации, сравнивать между собой вещества с неодинаковым набором описанных свойств, что особенно важно при принятии предпроектных, проектных и технологических решений в условиях многофакторности, разновидности, разнотипности данных и других видах неопределенности. Данный метод был использован в своей деятельности ООО «Системы управления производственными рисками».

Приведенные здесь подходы использовались для решения частных задач, возникших и в других научных исследованиях2.

Разработаны методы прогноза и конструирования виртуальных ХС с заданными свойствами для технической химии. На этой основе имеется техническое решение по разработке состава полимерной композиции с улучшенными свойствами.

На основе теоретических исследований подготовлено учебное пособие по обработке нечеткой информации о ХС. Методы и алгоритмы анализа и синтеза ХС были использованы при создании различных учебных курсов Волгоградского государственного педагогического университета.

Апробация работы и публикации по теме диссертации

Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях: 4-й международной научно-технической конференции «Наукоемкие химические технологии 96»,  Волгоград – 1996; III межвузовской научно-практической конференции, Волгоград – 1996; Школе по моделированию автоматизированных технологических процессов при международной конференции «Математические методы в  химии и химической технологии», Новомосковск – 1997; 1-й школе специалистов резиновой промышленности «Компьютерные методы в технологии переработки эластомеров», Волгоград – 1997; 32-35 научных конференциях ВолгГТУ, Волгоград – 1995-98; 10-11-й международной конференции «Математические методы в химии и химической технологии», Тула – 1996, Владимир – 1998; IV традиц. науч.-техн. конф. стран СНГ «Процессы и оборудование экологических производств», Волгоград – 1998; IV межвуз. конф. студ. и молод. учен. Волгограда и Волгоград. обл., Волгоград – 1998; Юбилейном смотре-конкурсе науч., конструкторских и технолог. работ студ. ВолгГТУ, Волгоград – 2000; V Региональная конференция молодых исследователей Волгоградской области, Волгоград – 2000; IX Международной научной конференции «Химия и технология каркасных соединений», Волгоград – 2001; Междунар. науч.-техн. конф. «Современные наукоемкие технологии и перспективные материалы текстильной и легкой промышленности (Прогресс - 2001)», Иваново – 2001; Междунар. конф. «Перспективные полимерные композиционные материалы. Альтернативные технологии. Переработка. Применение. Экология (Композит-2001)», Саратов – 2001 г.; Втор. всерос. н.-теор. конф. «ЭВТ в обучении и моделировании», Бирск – 2001; V-VI традицион. науч.-техн. конф. стран СНГ «Процессы и оборудование экологических производств», Волгоград – 2000, 2002; Междунар. науч.-техн. конф. «Полимерные композиционные материалы и покрытия. POLYMER 2002», Ярославль – 2002; II Всерос. науч. конф. (с междунар. участ.) «Физико-химия процессов переработки полимеров», Иваново – 2002; Международной научной конференции «Современные проблемы прикладной математики и математического моделирования», Воронеж – 2005; Внутривузовская научная конференция профессорско-преподавательского состава ВГПУ, Волгоград – 2007, 2009; 12-22-й международной конференции «Математические методы в технике и технологиях», Новгород – 1999, Санкт-Петербург – 2000, Смоленск – 2001, Тамбов – 2002, Ростов-на-Дону – 2003, Кострома – 2004, Казань – 2005, Воронеж – 2006, Ярославль – 2007, Саратов – 2008, Псков – 2009.

Содержание работы опубликовано в 101 научном издании: в 2 монографиях и учебных пособиях; в 2 свидетельствах о государственной регистрации программы для ЭВМ; в 97 статьях отечественной и зарубежной печати, в том числе в 23 статьях периодических изданий из перечня, рекомендованного ВАК.

Методы исследования

При выполнении работы использовались достижения в областях: системного анализа, исследования операций, теории вероятностей и математической статистики, теории нечетких множеств, математического анализа, теории баз данных, теории распознавания образов, теории и анализа алгоритмов, программирования, теории химического строения, органической химии, химии и физики полимеров. Для проведения численных экспериментов использовались языки программирования Pascal, Delphi, C++ и ЭВМ на базе процессора Athlon 64 X2 Dual Core 4200+.

Структура и объем диссертации

Диссертация состоит из основной части, изложенной на 282 страницах и приложения — на 19 страницах. Содержит 7 разделов, 142 подраздела, включающих текстовую часть на 163 страницах, 120 таблиц на 46 страницах, 28 рисунков и подписи к ним на 16 страницах, библиография 377 наименований, из которых 138 иностранных источника, на 50 страницах (рис. 1).

Рис. 1. Структура диссертации

Основные результаты исследования

1. Нечеткая химическая информация и методы ее обработки

В настоящее время в науке и технике, и в частности в химии, широко распространены многокритериальные задачи и процессы, среди которых большое место занимают задачи с нечеткими исходными данными и условиями, представляющие огромное пространство для принятия решений, управления, анализа и синтеза. Многокритериальность и нечеткость значительно усложняет проблему выбора.

Например, в табл. 5 приведена выдержка из данных по некоторым веществам. Решить, какое из веществ является наиболее опасным с экологической точки зрения, представляется нетривиальной задачей даже всего для трех веществ. Обобщая проблему, можно выделить следующие факторы неопределенности.

  1. Неоднозначность понятия «экологическая опасность». Это может быть токсичность, класс опасности, ПДК, LD50, или другие (такие как канцерогенность, мутагенность и т. д.) или некоторый совокупный фактор. То есть не определено, что является целевой функцией.
  2. Разнотипность данных. В табл. 5 встречаются числа, интервалы и слова. То есть для применения какого-либо метода требуется предварительная обработка данных, для приведения к одному типу.
  3. Разновидность данных. Если мы захотим сравнить, что хуже ПДК 0,006-0,01 мг/м3 или LD50 0,4-0,85 г/кг, то сделать это невозможно, ввиду разного смысла, вкладываемого в эти характеристики. То есть, чтобы их сравнить, надо привести данные к одному виду. А это необходимо, если мы хотим принять решение на основе совокупности разновидных характеристик.
  4. Неполнота данных. Некоторые данные отсутствуют или указываются неточные значения, а при автоматизированной обработке, необходимо их как-то интерпретировать.

Многие современные методы анализа свойств материалов, веществ и других аналогичных технических систем в конечном итоге сводятся к моделированию структуры (рис. 2).

Как видно для принятия решения во многих случаях требуется некоторая специальная интерпретация данных. Многие из этих и других подобных проблем можно решить, используя нечеткие множества, как инструмент представления возникающих неопределенностей в единой форме, что позволяет адаптировать известные методы к решению такого рода задач. Данная работа как раз и посвящена разработке таких инструментальных средств.

Как видно существует много видов моделей химической структуры и большинство из них несет определенную долю нечеткости информации. После обработки ее, в результате может быть получена некоторая числовая характеристика. При этом теряются размерности величин, и получается числовая характеристика, позволяющая применить единый подход для решения задач с разнородными параметрами. В ходе настоящего исследования, подробно рассмотрены методы анализа нечеткой информации для геометрической модели. Предлагаемые методы применимы и для других видов моделей, поскольку носят достаточно общий характер.

Рис. 2. Формализация информации о ХС

Возникающую в ходе исследования ХС ситуацию можно охарактеризовать в следующем виде (рис. 3), куда входят четыре составляющие: методы исследования, исследуемые ХС, особенности ХС (специфические факторы), методы учитывающие специфику задачи.

Рис. 3. Ситуация, возникающая в ходе исследования ХС.

Обычно при попытке использования для исследования ХС математических методов возникают сложности, связанные, например, с применением разных моделей представления химических и математических объектов и с нечеткостью представления, присущей ХС (рис. 4).

Методы, учитывающие специфику задачи, призваны решить эти трудности и создать условия применения имеющихся методов исследования (рис. 5).

Рис. 4. Специфические факторы, затрудняющие исследование ХС.

Рис. 5. Методы формализации данных (учитывающие специфику задачи)

Нами подробно рассмотрены эти методы и на их основе показано, как с их помощью можно проводить исследования в условиях неопределенности.

Далее, используя предложенный нами метод представления химической информации в виде нечеткого множества (методы, учитывающие специфику задачи), разработаны и обоснованы конкретные методы исследования ХС, показанные на рис. 6.

Рис. 6. Исследование ХС.

Как видно из рисунка под эту схему попадают многие исследования в области химии и поэтому данные исследования носят довольно общий характер, но будут рассмотрены на примере активных добавок для ПК (рис. 7).

2. Теоретические основы обработки нечеткой информации о химических соединениях

2.1. Создание нечетких множеств

Рассмотрим проблему создания нечетких множеств при обработке информации о ХС на обобщенном примере.

Пусть S = {si| } - множество, состоящее из n химических соединений. Для si определено m характеристик Qij, .

В зависимости от условий применения набор рассматриваемых характеристик может расширяться и сужаться, вплоть до введения химических, биологических и прочих свойств.

Построим для каждой характеристики Qij нечеткое множество , , . Для этого определим переменные xj с областью значений Gj. Далее выделим такое значение qij переменной xj, которое в наибольшей степени удовлетворяет характеристике Qij, и радиус δij > 0, в пределах которого значения xj удовлетворяют критерию Qij. Таким образом, получим множество Xij = [qij – δij; qij + δij] значений xj, удовлетворяющих характеристике Qij.

Рис. 7. Классификация ингредиентов ПК

Далее для критерия Qij подбираем функцию принадлежности μij. Исходя из построения Xij, получаем, что в qij функция имеет точку максимума, в пределах Xij функция принимает значения не меньше 0,5, а вне Xij - меньше:

μij: Gj → [0; 1], μij(qij) = 1,

μij(xj) ≥ 0,5 ⇔ xj ∈ Xij.

Из приведенных выше условий следует, что Xij является носителем 0,5-среза нечеткого множества : .

Проведенные нами исследования по проблеме выбора функции принадлежности изложены в самой диссертации. Здесь же приведем одну из функций, хорошо себя зарекомендовавшую при исследовании химических соединений:

, , .        (1)

В результате получаем нечеткие множества

= {(xj, μij(xj))}, , .

Пусть ряд химических соединений характеризуется данными приведенными в табл. 1. Требуется построить нечеткие множества .

Таблица 1.

Общее представление данных, характеризующих свойства химических соединений

i

Характеристики, Qij

Нечисловые

Числовые

j

1

2

3

4

5

6

7

8

1

[1;5]

большой

61

41

27

42

50

58

2

[3;10]

маленький

49

54

34

44

38

49

3

-

маленький

37

48

53

60

31

47

4

[5;6]

-

49

46

51

57

50

40





Построим множества Xij. Для характеристик Qi1 получаем Xi1 = Qi1, за исключением объекта №3, где значение Q31 неизвестно: для него можно взять, например, отрезок, покрывающий отрезки для всех объектов, - X31 = [1; 14]. Характеристики Qi2 представляют собой словесное описание. Представим всю область, описываемую данными терминами, в виде отрезка Gj = [0; 1]. Поскольку четкой границы между значениями, представляемыми данными терминами, нет, то проведем разграничение этих значений следующим образом: крошечный - [0; 0,2], маленький - [0,1; 0,4], средний - [0,3; 0,7], большой - [0,6; 0,9], огромный - [0,8; 1], - для неизвестного значения у объекта №4 поступим аналогично вышесказанному - X42 = [0;1].

Остальные характеристики представляют собой конкретные числа и их можно взять в качестве значений qij, а в качестве δij взять абсолютную погрешность. Пусть, например, все δij = 1 (, ).

Таким образом, получим нечеткие множества следующего вида:

= {(xj, μij(xj))| xj ∈ R}, где , , .

Значения для qij и δij приведены ниже (табл. 2).

2.2. Исследование функций принадлежности

Теоретически исследован класс ℜ(X) унимодальных функций, зависящих от квадратичного многочлена и доказано следующее (рис. 8).

Таблица 2.

Параметры функций принадлежности μij(xj)

i

j

1

2

3

4

5

6

7

8

qij

δij

qij

δij

qij

δij

qij

δij

qij

δij

qij

δij

qij

δij

qij

δij

1

3

2

0,75

0,15

61

1

41

1

27

1

42

1

50

1

58

1

2

6,5

3,5

0,25

0,15

49

1

54

1

34

1

44

1

38

1

49

1

3

7,5

6,5

0,25

0,15

37

1

48

1

53

1

60

1

31

1

47

1

4

5,5

0,5

0,5

0,5

49

1

46

1

51

1

57

1

50

1

40

1

Теорема 1. Пусть fi ∈ ℜ(X), i = 1, 2, X компактно, νi = ,

x1 = , тогда f1(x1) = f2(x1).

Лемма 1. Пусть f ∈ ℜ(X), f(x) = g(ξ(x)), где ξ(x) = b2(x – a)2 + c,

тогда f(a) = f(x).

Лемма 2. Пусть f ∈ ℜ(X), f(x) = g(ξ(x)), где ξ(x) = b2(x – q)2 + c,

тогда c инвариант относительно q и δ.

Лемма 3. Пусть f ∈ ℜ(X), f(x) = g(ξ(x)), где ξ(x) = b2(x – q)2 + c,

тогда b2 = , где d2 - константа, определяемая видом функции g(x) и, являющаяся инвариантом относительно q и δ.

Из лемм 2 и 3 следует, что величины d2 и c являются инвариантами функции f(x) относительно значений q и δ.

Лемма 4. Пусть f ∈ ℜ(X), f(x) = g(ξ(x)), где ξ(x) = b2(x – q)2 + c,

тогда y = f(x) симметрична относительно прямой x – q = 0.

Рис. 8. Связь лемм и теорем о функциях принадлежности

Лемма 5. Пусть f ∈ ℜ(X), f(x) = g(ξ(x)), где ξ(x) = b2(x – q)2 + c,
ξ: X → Ξ, тогда g(ξ) монотонно убывает на Ξ.

Теорема 2. Пусть f1, f2 ∈ ℜ(X), fk(x) = g(ξk(x)), где ξk(x) = bk2(x – qk)2 + c, k = 1, 2, тогда y = f1(x) и y = f2(x) пересекаются не более чем в двух точках, а, именно, в

x1 = и x2 = .

Теорема 3. Пусть f1, f2 ∈ ℜ(X), X компактно, fk(x) = g(ξk(x)),
где ξk(x) = (x – qk)2 + c, k = 1, 2, x* = x2 = ,
тогда x* = (fk(x)).

Из теоремы 3 следует, что значение максимина будет достигаться в точке x* = , которая как видно не зависит от выбора функции, а лишь от значений q и δ.

Теорема 4. Пусть fij, ∈ ℜ(Xj), fij(xj) = g(ξij(xj)),
где ξij(xj) = (xj – qij)2 + c, (xj) = g*((xj)), где (xj) = (xj – qij)2 + c*,
i = , . νij = f0j(), = (f0j(xj), fij(xij)), = (),
ν1j ≤ ν2j ≤ … ≤ νnj, тогда ≤ ≤ … ≤ .

Оказалось, что в рамках исследованного класса функций принадлежности, выбор последней при однокритериальной оценке не влияет на порядок расположения соединений в ряду убывания степени активности.

Исходя из полученных результатов, выделен ряд функций, некоторые из которых были использованы в работе (табл. 3).

2.3. Общая схема метода

В качестве обобщения материала, приведем общую схему метода обработки нечеткой информации.

  1. Постановка задачи.
  2. Определение пространства параметров.
  3. Определение значений параметров Qij для каждого соединения.
  4. Выбор эталона (гипотетического соединения №0).
  5. Определение значений параметров Q0j для эталона.
  6. Выявление среднего значения qij и допустимого отклонения от него δij параметра с номером j соединения с номером i.
  7. Выбор функции принадлежности.
  8. Определение нечеткого множества для каждого значения Qij.
  9. Вычисление индекса равенства νij нечетких множеств и .
  10. Интерпретация величин νij.

Следует обратить внимание, что число νij показывает, насколько соединение с номером i соответствует эталону по параметру с номером j.

Таблица 3

Сравнение  функций  принадлежности при оценке контрольных  соединений

№ п/п

Функция принадлежности

Интервал принимаемых значений, ν

1

0,818-0,999

2

0,842-0,999

3

0,838-1,000

4

0,771-0,998

5

0,775-0,998

6

0,731-0,998

7

0,658-0,994

8

0,583-0,959

3. Сортирование веществ

Поиск эффективных ингредиентов одно из важных направлений при создании негорючих и термостойких полимерных материалов (ПМ). Поэтому как выбор ингредиента из существующих, так и создание нового осуществляется с использованием большого набора критериев, а также на основе опыта и интуиции исследователя или эксперта. В первом случае оценка эффективности не учитывает комплекс дополнительных факторов, а во втором - имеет субъективный оттенок и во многом зависит от эксперта.

Предлагаемая нами методика позволяет вовлечь в количественный анализ не только отдельные числовые параметры, но и характеристики в виде числовых и нечисловых множеств, качественных положений и т. д., что значительно приближает методику к объективному решению реальной задачи. Основные идеи метода выглядят следующим образом.

Пусть получено некоторое множество ингредиентов S = {si| i = }. Расположим соединения в порядке убывания технологической активности.

Обработка экспериментальных данных разбивается на три этапа:

1) выбор физико-химических критериев, описывающих активность;

2) численная оценка соответствия физико-химических параметров вещества каждому критерию в отдельности;

3) вывод общей численной оценки соответствия всех выбранных физико-химических параметров вещества критериям активности в целом.

Покажем сказанное на примере фосфорсодержащих антипиренов. В качестве критериев, описывающих активность, взяты следующие общепринятые характеристики:

  1. изменение кислородного индекса (%), представляющее собой разницу кислородных индексов модифицированного антипиреном и исходного немодифицированного ПМ (x1);
  2. концентрация (%) антипирена в ПМ (x2);
  3. мольная доля (%) фосфора в антипирене (x3).

Опишем пространство параметров xj, где j = - номер критерия. В нашем случае m = 3 и Xj ⊂ [0; 100], где Xj - область значений xj (от 0 до 100%). Таким образом, xj принимает некоторое значение для каждого антипирена из S:

fj: S → Qj, где Qj = {qij| i = }, Qj ⊂ Xj.

Затем определим q0j — значение xj, в наибольшей степени отвечающее j-тому критерию. Это то qij из множества Qj, при котором достигается наибольшее снижение горючести. Для построения нечеткого множества, определяется радиус δ0j, в пределах которого xj удовлетворяют данному критерию.

Далее построим функции принадлежности μ0j:

μ0j: Xj → [0; 1], μ0j ∈ C(Xj), μ0j(q0j) = 1, μ0j(xj) ≥ 0,5 ⇔ xj ∈ [q0j – δ0j; q0j + δ0j].

Таким образом, выявлено следующее нечеткое множество  = {xj| μ0j(xj)}, j = , описывающее j-тый критерий.

Поступая аналогичным образом, строим функции принадлежности μij для всех xj. Здесь qij мы определили выше, а в качестве δij использована погрешность величины qij. Таким образом, получено нечеткое множество для j-того параметра антипирена si: = {xj| μij(xj)}, i = , j = .

Далее необходимо выбрать функцию принадлежности (1). Необходимые нечеткие множества построены и можно найти, в какой мере соединение si отвечает j-тому критерию. Для этого вычислим индекс равенства νij двух соответствующих нечетких множеств:

.        (2)

Если νij = 0, это означает, что антипирен si не отвечает j-тому критерию; в другом граничном случае, νij = 1, - антипирен si соответствует j-тому критерию; νij показывают меру соответствия соединения si j-тому критерию.

Выведем интегральную оценку νi путем взвешенного голосования:

, где αj ≥ 0, , i = , j = .        (3)

Коэффициент αj показывает значимость j-того критерия.

Выборочные результаты приведены ниже (табл. 4), где νi - итоговый ранг антипирена.

Примерно также были проанализированы добавки к поливинилхлориду, полистиролу, полипропилену и, кроме того, исследована возможность применения подобной методики для классификации волокнистых наполнителей ПК.

Таблица 4.

Классификация фосфорсодержащих антипиренов для полиуретана

№ добавки, i

Формула

νi

Классификация

1

0,52

Мало активный

2

0,53

Мало активный

3

0,66

Умеренно активный

4

0,70

Высоко активный

4. Классификация химических структур и веществ

4.1. Общая систематизация

В качестве предметной области выбраны активные добавки к полимерным композициям (ПК), представленные на рис. 7. Предложенная классификация использовалась при анализе активных добавок к ПК. Рассматриваемые методы анализа нечеткой информации были использованы нами при исследовании стабилизаторов, светостабилизаторов, термостабилизаторов, пластификаторов.

4.2. Классификация

Здесь под классификацией будем понимать отнесение диагностируемого объекта к одному из множеств ХС, обладающих определенным свойством или признаком. Классификацию можно проводить как по виду технологической функции (стабилизатор, антипирен и т. д.), так и по степени воздействия добавки на конечный продукт. Например, можно выделить подгруппы высоко активных, умеренно активных, мало активных, неактивных или иных.

Если оставить приведенные четыре подгруппы, то в качественном плане их можно интерпретировать следующим образом: 1) высоко активные — добавки, производящие выраженный эффект; 2) умеренно активные — добавки производящие эффект при высокой концентрации; 3) мало активные — эффекта практически не наблюдается; 4) неактивные — эффект не проявляется никак.

Для классификации по приведенным четырем градациям были приняты следующие показатели ν: 1) высоко активные — 0,70-1,00; 2) умеренно активные — 0,60-0,69; 3) мало активные — 0,40-0,59; 4) неактивные — 0,00-0,39.

В табл. 4 приведены результаты классификации ингредиентов ПК с использованием построения нечеткого множества на примере антипиренов. Как видно из приведенной классификации, возникает возможность принимать инженерные решения (например, для проектирования составов ПК), ориентируясь на количественные оценки νi.

В практических условиях пространство параметров может быть специально оговорено.

5. Верификация химической информации

Здесь при подборе, сортировке и систематизации информации, в том числе при наполнении профилированных баз данных, возникает ряд проблем.

5.1. Проблемы нечеткости параметрических данных

Во-первых, в разных источниках отличаются значения одних и тех же физико-химических параметров. Например, при описании вещества Бензон ОА приведены в двух разных источниках3 следующие значения плотности: 1,0664-1,0692 и 1,044-1,069 г/см3, — какое из них ближе к реальному, непонятно. Используя нечеткие множества, удается уточнить место вещества в ряду подобных и сделать выводы об истинных значениях этих параметров.

Далее можно отметить, что субъективные оценки специалистов-технологов, такие как, например: «хороший пластификатор», — в одном справочнике рассматривается как «хороший», а в другом — как «удовлетворительный». Поскольку в большинстве справочной и технологической литературы часто встречаются характеристики одних и тех же веществ, то по каждому из источников можно проводить классификацию этих веществ. Но поскольку в каждом ряду будут анализироваться одинаковые вещества, то, сравнивая показатели по ним, можно сделать выводы о том насколько соотносится информация между собой.

5.2. Верификация информации

Ненадежная информация о веществах исследуется по методике близкой к изложенной выше на основе сопоставления с надежной информацией о многократно проверенных веществах и, исходя из вычисленного ранга, делаются выводы и вносятся соответствующие коррективы, например, при формировании базы данных. Это напоминает широко распространенный в вычислительной математике метод интерполяции — приближенное или точное нахождение какой-либо величины по известным отдельным значениям этой же или других величин, связанных с ней.

6. Экспертиза химических соединений

6.1. Проблемы экспертизы

Неисчерпаемое разнообразие ХС вносит особенности в методику обработки информации о них средствами нечетких множеств. Так, оценивая такой технико-экономический параметр, как качество материала или вещества, можно поступить в соответствии с рассмотренным выше: описать пространство параметров экспертизы, построить множества X, построить нечеткие множества и вычислить ранг ν. Ранг ν взять в качестве экспертной оценки.

Методику обработки нечетких множеств удобно использовать в автоматизированном режиме с применением ЭВМ, что дает возможность принимать обоснованные решения, что особенно важно при оценке качества.

6.2. Экологические свойства

Среди актуальных экологических задач, в последние годы в отдельную группу выделились задачи выявления предполагаемых негативных последствий намечаемой хозяйственной и иной деятельности на окружающую среду и природные ресурсы.

Сложность заключается еще и в самой постановке современной задачи экологической экспертизы и диагностики веществ, носящих многокритериальный характер, опирающихся как на количественные оценки, так и на экспертные заключения специалистов разного профиля как это видно из рис. 9.

Например, предлагаем для экспертизы данных выдержку из диссертации (табл. 5) для ряда веществ, используемых в полимерной промышленности4.

Подвергая их визуальному анализу, практически невозможно сделать аргументированное заключение о том, какое из веществ представляет наибольшую экологическую опасность. Для экспертизы такого рода данных нами предлагается использовать условный показатель — расчетный индекс экологической опасности веществ (IЭО), основываясь на понятии нечеткого множества.

Пусть S = {si| } - множество, состоящее из n веществ, представленных на экологическую экспертизу. Построим для каждой характеристики вещества si нечеткое множество при всех .

Чтобы определить в какой мере характеристика диагностируемого вещества si близка характеристике эталона s0, вычислим индекс равенства νij соответствующих нечетких множеств.

Рис. 9. Свойства веществ, которые необходимо учитывать при оценке их экологического взаимодействия с биологической системой.

Таблица 5.

Физико-химические и экологические характеристики, применяемых в промышленности веществ

№ п/п,

i

Торговое и химическое название

Параметр

Моле­куляр­ная масса

Темпе­ратура плав­ления, C

Темпе­ратура кипе­ния, C

ρ, плот­ность г/см3

ПДК, мг/м3

LD50, г/кг

Ток­сич­ность

ПКр, мг/л

Класс опас­ности

j

1

2

3

4

5

6

7

8

9

1

2

3

4

5

6

7

8

9

10

11

12

0

Эталон

qij

28,050

-169,000

-104,000

0,560

0,008

0,413

1,000

0,016

1,000

δij

171,950

269,000

304,000

0,440

1,492

3,587

0,500

99,984

1,500

7

Альтакс (Бис(2-бензотиазолил)дисульфид)

Qij

332,50

185

-

-

-

-

Слабо токсичен

-

-

qij

332,500

185,000

504,000

1,440

2,992

7,587

0,375

199,984

4,000

δij

0,010

1,000

304,000

0,440

1,492

3,587

0,125

99,984

1,500

12

Гипериз (гидропероксид кумола)

Qij

152,00

-

153

1,06

0,007

-

токсичен

-

II

qij

152,000

369,000

153,000

1,060

0,007

7,587

0,625

199,984

2,000

δij

0,010

269,000

1,000

0,010

0,001

3,587

0,125

99,984

0,500

13

Тирам (тетраметилтиурамдисульфид)

Qij

240,4

155-156

-

1,29

0,006-0,01

0,4-0,85

токсичен

-

-

qij

240,400

155,500

504,000

1,290

0,008

0,625

0,625

199,984

4,000

δij

0,100

0,500

304,000

0,010

0,002

0,225

0,125

99,984

1,500

18

Этилен (этен)

Qij

28,05

-169

-104

0,56

3,00

-

токсичен

-

III

qij

28,050

-169,000

-104,000

0,560

3,000

7,587

0,625

199,984

3,000

(ij

0,010

1,000

1,000

0,010

0,010

3,587

0,125

99,984

0,500

На следующем этапе, произведя взвешенное голосование, получим интегральную оценку (i соответствия совокупности характеристик вещества si совокупности характеристик эталонного вещества s0 (интегральный индекс экологической опасности), которая является основой для определения (Iэо).

В качестве расчетного примера в данной работе приведена последовательность вычисления (i, исходя из набора данных о веществах, в целях экономии места приведены только некоторые из них (табл. 5) и некоторые промежуточные результаты. Используем сказанное выше и проранжируем указанные вещества по уровню экологической опасности.

Окончательные результаты расчетов индекса и ранга экологической опасности веществ приведены также только для некоторых из них (табл. 6).

Таблица 6.

Расчетный индекс и ранг экологической опасности веществ

Номер по таблице 1 (i)

Интегральный критерий токсичности ((i)

Расчетный индекс экологической опасности (Iэо), %

Ранг опасности

7

0,4819

48

X

12

0,7077

71

I

13

0,7071

71

I

18

0,5380

54

IX

Представленные данные позволяют сделать заключение о том, что в данной  выборке наиболее опасными представляются гипериз, не имеющий класса опасности в табл. 5 и тирам с классом опасности II (Iэо = 71%; ранг опасности I), а наименее опасным альтакс, класс опасности которого IV (Iэо = 48%; ранг опасности X). То есть, предлагаемый показатель Iэо и методика его расчета приводят к более строгим оценкам, чем нормативные, что в современной экологизированной обстановке представляется немаловажным.

Расчетная методика оценки экологической опасности веществ на основе применения Iэо может быть использована в алгоритмизированном виде в проектной, нормативной мониторинговой работе, при формировании проблемно ориентированных баз данных и создание САПР новых химических соединений.

6.3. Оценка качества волокнистых материалов

При разработке полимерных композиционных материалов с волокнистым наполнителем, а также решения других технических задач возникает необходимость сортировки и выбора материала на основе объективных критериев.

Требования к физико-механическим и другим свойствам волокнистых систем формируются на основе конструкционных особенностей изделия, назначения, условий эксплуатации, запросов потребителя и т. д. Как правило, свойств, которые необходимо учесть оказывается несколько десятков, что создает большие трудности.

В табл. 7 приведены структурные и физико-механические свойства десяти образцов (n = 10) трикотажных полотен, из которых необходимо выбрать лучшие варианты для использования в качестве основы изотропных искусственных кож.

Таблица 7

№ образца

Волокнистый состав

Физико-механические свойства

Уровень качества, ν

Поверхностная плотность, г/м2

Разрывная нагрузка, Pp, дин

Удлинение при разрыве, εР, %

Воздухопро­ни­цаемость, м3/(м2⋅с)

Коэффициент ус­тойчи­вости к истиранию, циклы/г

Усадка У, %

Водопог­ло­щаемость %

По длине

По ширине

По длине

По ширине

По длине

По ширине

№ критерия

1

2

3

4

5

6

7

8

9

10

1

ХБП

302

46,7

14,0

61

191

0,51

3,39

7,5

-10,0

223

0,479

2

ХБП

235

16,9

11,3

87

50

0,66

2,60

-16,1

1,2

260

0,473

3

М

268

38,8

26,2

223

142

0,45

3,36

1,13

1,2

240

0,526

4

ТНЭ

133

30,0

18,0

147

180

1,16

2,90

1,8

4,2

180

0,573

5

ТНЭ(85%), ПНС(15%)

319

43,6

25,4

332

417

0,41

4,01

3,5

4,2

190

0,556

6

М

425

62,1

54,6

275

304

0,37

3,19

-1,2

1,2

310

0,639

7

М(60%),

ПНС(40%)

201

40,0

26,2

555

600

0,61

3,96

3,8

4,2

273

0,678

8

ХБП(75%), ПНС(25%)

260

18,0

12,1

155

137

0,44

3,60

2,4

3,6

204

0,486

9

ТНЭ(88%), ТНС(12%)

170

31,1

52,0

540

600

0,49

4,03

5,3

6,0

160

0,690

10

ХКП

463

35,6

28,9

356

141

0,36

3,85

-3,2

1,4

215

0,523

Использованные сокращения: ХБП — хлопчатобумажная пряжа, М — мегалон, ТНЭ — текстурированная нить эластик, ПНС - полиуретановая нить спандекс, ХКП — хлопкокапроновая пряжа)

Таким образом, при ранжировании в данном случае учитывается десять параметров (m = 10). Определяем для каждого параметра xj, j = , значение q0j. В табл. 8 приведены конкретные значения для рассматриваемого примера.

Таблица 8

j

Требования

Характеристики для образца №6

Вес αj

Степень соответствия ν6j

q0j

δ0j

q6j

δ6j

1

133

165

425

1

0,073

0,434

2

62,1

22

62,1

0,1

0,073

1,000

3

54,6

21

54,6

0,1

0,073

1,000

4

555

247

275

1

0,122

0,485

5

600

275

304

1

0,122

0,491

6

1,16

0,4

0,37

0,01

0,110

0,425

7

4,03

0,71

3,19

0,01

0,122

0,481

8

0

4,4

-1,2

0,1

0,110

0,692

9

0

4,4

1,2

0,1

0,110

0,692

10

310

65

310

10

0,085

1,000

Аналогичную процедуру осуществляем с данными (табл. 7) рассматриваемых образцов.

Для краткости подробный расчет степени соответствия физико-механических характеристик поставленным требованиям проведем только для образца с номером 6 (табл. 7). Поскольку все исходные данные представлены в виде конкретных чисел, то выбор значений q6j очевиден, а в качестве δ6j возьмем погрешность (табл. 8).

Далее определяем функцию принадлежности, например,

, i = , j = , -

и тем самым построены нечеткие множества .

Таким образом, получаем оценки соответствия свойства образца каждому требованию в отдельности, вычислив индексы равенства соответствующих нечетких множеств (см. табл. 8 для ν6j). Чтобы вычислить оценку соответствия образца всем требованиям в совокупности, как упоминалось выше, применено взвешенное голосование.

При этом взвешена важность каждого из требований αj (табл. 8).

Вообще говоря, вес критерия выбирается из соображений того, насколько полно данный параметр описывает потребительские требования к материалу (в нашем случае - трикотажу), т. е. здесь можно использовать обычные экспертные оценки, стандарты, технические условия и т. д. В нашем случае ограничения связаны с требованиями к изотропным искусственным кожам.

В результате получено, что ν6 = 0,639.

Итогом данной вычислительной работы является выделение полотен №№9,7,6 (табл. 7) в качестве основы для проектирования и выработки изотропных искусственных кож с улучшенными физико-механическими показателями, т. е. обладающих основными признаками конкурентоспособности.

Таким образом, предложенная методика ранжирования и сортировки текстильных материалов позволяет оперировать с нечеткими объектами (в частности, обрабатывает погрешность исходных данных, числовые интервалы, качественные характеристики) и принимать решения в условиях многокритериальности. Кроме того, она обладает основательной универсальностью и может быть легко распространена на другие текстильные объекты и использована как в научной, так и технологической практике. Следует отметить также, что процедура легко унифицируется и с помощью ЭВМ может быть автоматизирована при разработке соответствующего программного модуля.

6.4. Заключение

Учитывая наши возможности, мы дали только два примера, хотя проблема является общей, и она может решаться в том числе защищаемыми методами.

7. Прогнозирование свойств веществ

Метод прогнозирования основан на том факте, что если при добавлении к множеству нового элемента, это множество никак не изменяется, то новый элемент классифицируется, как принадлежащий данному множеству. При прогнозировании свойств веществ в наших работах использовано множество дескрипторов органических соединений. Путем объединения множеств дескрипторов добавок к полимерным системам, созданы множества дескрипторов классов веществ с определенными технологическими функциями. Такое построение можно назвать статистическим образом (информационной моделью) вещества.

Для прогнозирования свойств органического соединения необходимо дескрипторы диагностируемого соединения добавить в статистический образ. Получившийся новый статистический образ должен несущественно отличаться от предыдущего. В этом случае соединение обладает активностью, и, наоборот, отличия будут значительными, если соединение не активно. Рассмотрим это подробнее на примере добавок к ПК.

Пусть задано множество добавок S = {si| }. Определим множество дескрипторов D = {dj| } химических соединений. Частоту появления дескриптора dj в соединении si обозначим через νij. Проранжируем все si, как это было показано выше, и построим четыре множества:

       — множество неактивных добавок,

       — множество мало активных добавок,

       — множество умеренно активных добавок,

       — множество высоко активных добавок.

Причем, , .

Вычислим частоту появления дескриптора dj среди добавок множества Sk: , где — частота появления дескриптора dj в структуре .

Для каждого класса добавок Sk построим нечеткое множество дескрипторов, описывающих соединения данного класса:

Множество , является статистическим образом добавки класса Sk.

Определим функцию принадлежности μk(dj), как оценку вероятности появления дескриптора dj среди дескрипторов класса Sk:

, где .

Пусть требуется сделать вывод о принадлежности некоторого органического соединения s одному из классов добавок Sk.

Добавим соединение s в класс Sk и получим новый класс = Sk ∪ {s} и построим для статистический образ так, как это показано выше.

Вычислим Δk — индекс изменений, произошедших в классе Sk, после добавления соединения s. В качестве оценки величины Δk можно взять, например, индекс несходства нечетких множеств и :

Δk = 1 – .

Определим мощность конечного нечеткого множества.

Пусть X = {x} универсум и задано некоторое нечеткое множество  = {x| μA(x)}, тогда . Очевидно, Δk ∈ [0;1].

Получили, что индекс Δk принимает значение 0, если нечеткое множество никак не изменилось и значение 1, если нечеткое множество настолько изменилось, что новое нечеткое множество не имеет ни одного общего элемента со старым. Т. е. чем больше значение Δk, тем более радикальные изменения произошли в множестве Sk. Далее, осуществляем классификацию s, т. е. относим соединение к тому классу, где значение Δk окажется наименьшим.

Таким образом, s ∈ Sr, где .

8. Конструирование химических структур

Конструирование химических структур с применением средств нечетких множеств задача новая, вызванная к жизни высокой конкуренцией на научно-техническом рынке. Предметом рыночных отношений стали как реальные вещества, так и виртуальные химические структуры, имеющие вероятность быть связанными с реальными техническими функциями веществ. При конструировании часто используют информационную модель «структура — свойство».

Современное состояние исследований в этой области и использование зависимости «структура — свойство» сложилось так, что наибольших результатов удалось добиться при решении прямой задачи: анализа физико-химических, биологических и др. свойств на основе расчета параметров химического соединения по его графическому отображению (плоской формуле).

Это направление является очень важным, особенно в фармакологии, когда при создании и запуске на рынок новых лекарств, удается с применением ЭВМ с высокой вероятностью отобрать перспективные вещества для экспериментальной проверки и продвижения в технологию.

При современном развитии нечетких множеств и компьютерных технологий, появилась возможность обрабатывать настолько большие массивы неоднородной химической информации, что оказалось под силу использовать не только реальную, но и виртуальную химическую информацию.

Для этого существуют и создаются новые специализированные компьютерные системы, предназначенные для генерации виртуальных химических соединений, предлагаемых и как товар, и как исследовательский материал для дальнейшего целевого использования. Отсюда родилась потребность в методиках компьютерного конструирования химических соединений «под заказ» или как информационных единиц в банках данных. И как следствие, появилась возможность конструирования органических соединений с заданными свойствами.

Метод конструирования использует уже существующие и проверенные на практике органические соединения, для которых проведен компьютерный анализ их структуры и, исходя из сформированной базы данных, выбраны элементы для конструирования.

Компьютерная методика конструирования включает несколько этапов:

  1. Формирование базы данных активных добавок с учетом специфики органических соединений и их назначения.
  2. Анализ структур органических соединений, имеющихся в базе данных и формирование статистического образа активной добавки.
  3. Отбор простых и постепенно усложняющихся элементов конструирования виртуальных добавок.
  4. Формирование базовых структур и элементов конструирования.
  5. Разработку модуля конструирования.
  6. Разработку модуля диагностики органических соединений.
  7. Компьютерное конструирование виртуальных добавок.
  8. Компьютерную диагностику виртуальной добавки.
  9. Экспериментальную проверку виртуальной добавки.

Формирование базы данных осуществлялось из информации о нашедших применение в промышленности веществах. При этом, например, добавки к ПК различались, во-первых, по виду полимерной составляющей, во-вторых, по технологической функции добавки, а в-третьих, по уровню активности. Вещества собраны в классы, например, высоко активные светостабилизаторы полиэтилена, антипирены полистирола и т. д.

В период нашей работы собран большой массив исходной информации, который постоянно пополняется новыми данными. Далее проведена статистическая обработка информации и выработано общее описание соединений из классов, т. е. созданы статистические образы.

Нами использованы нашедшие в настоящее время широкое применение дескрипторы структуры молекул. Известно множество дескрипторов, описывающих, топологию молекулы, ее физико-химические параметры, химическое и квантово-химическое строение, химический состав и др. С точки зрения математики и программирования каждый дескриптор можно рассматривать как независимую переменную и тогда совокупность дескрипторов образует некоторое m-мерное пространство, в котором химическое соединение представлено точкой. Класс соединений образует множество точек, представляющих собой некоторую ограниченную область пространства. Такая геометрическая интерпретация позволяет сравнивать любое химическое соединение с построенным образом и вычислять индекс схожести, например, как показано выше.

Нами в качестве статистического образа использован набор дескрипторов, фрагмент которого приведен в табл. 9.

Таблица 9

Структурные дескрипторы светостабилизаторов поливинилхлорида

№ п/п

Дескриптор

Частота появления среди соединений

активных

неактивных

1

2

3

4

1

–NH2

0

19

2

>NH

4

27

3

–N<

8

45

4

–N=

10

30

Из полученной информации можно рассчитать также и вероятность принадлежности к заданному классу отдельных структурных элементов, из которых будем конструировать виртуальные соединения. Отберем те структурные элементы, у которых эта вероятность высока, и сформируем из них библиотеку элементов конструирования.

При компьютерном конструировании, например, виртуальной добавки для ПК предлагается использовать следующий подход (рис. 10). Выбирается дескриптор с заданной вероятностью, принадлежащий к выбранному классу и присоединяем его к базовой структуре возможными с химической точки зрения способами и для каждого соединения производим оценку свойств.

Для дальнейшей работы берем наилучший результат. Если результат оказывается лучше, чем у предыдущей базовой структуры, то тогда в качестве базовой принимаем вновь построенную химическую структуру, иначе возвращаемся к предыдущей, а элемент конструирования исключаем из библиотеки. Так продолжаем до тех пор, пока:

  1. Не достигнута заданная вероятность принадлежности конструируемого органического соединения к классу активных, или
  2. Достигнут заданный порог сложности химической структуры, или
  3. Исчерпана библиотека элементов конструирования.

Рис. 10. Последовательность действий при конструировании перспективного органического соединения

В результате использования идей данной методики нами сконструировано несколько виртуальных добавок для полистирола (табл. 10).

Выводы

  1. Решена крупная научная проблема — анализ и синтез химических объектов в условиях неопределенности с применением нечеткой математики.
  2. Разработан единый комплекс методов оценки свойств реальных и виртуальных химических соединений. Построены алгоритмы, позволяющие внедрить эти методы в автоматизированные системы. Алгоритмы реализованы на ЭВМ.
  3. Осуществлена формализация и постановка комплекса задач количественной зависимости «структура – свойство – применение», в том числе в терминах нечеткой математики.
  4. Проведен анализ химических структур, а также их параметрического описания. На этой основе разработаны методы прогноза их свойств и конструирования.
  5. Разработан метод формализации информации о ХС и веществах в терминах нечетких множеств.

Таблица 10

Виртуальные добавки для полистирола

№ п/п

Базовая структура и название

Дескрипторы (детали)

Результат конструирования

Структура

Применимость

Вероятность, %

1


пиридин

–CH2–
–CH3
–CN

Стабилизатор

88

Пластификатор

67

Антипирен

32

2


ортофосфорная кислота

–Br
–CH2–

Антипирен

92

Стабилизатор

62

Пластификатор

26

  1. Разработано программное обеспечение для формализации информации о ХС и веществах в терминах нечеткой математики.
  2. Разработан метод классификации ХС и веществ в условиях неопределенности.
  3. Разработан метод экспертизы ХС и веществ в условиях неопределенности.
  4. На основе структурного анализа разработан метод прогноза свойств ХС, построен алгоритм и проведен анализ его сложности.
  5. На основе структурного анализа разработан метод конструирования свойств ХС с предполагаемыми свойствами, построен алгоритм и проведен его анализ.
  6. Апробированы математические и программные средства анализа исходной информации, в результате чего структурированы данные о ХС и веществах и созданы компьютерные базы данных по активным добавкам для ПК.
  7. На основе структурного анализа ХС из баз данных получены оригинальные статистические модели зависимости «структура – свойства».
  8. Апробированы методы прогноза свойств и конструирования ХС с предполагаемыми свойствами, в результате чего получены новые технические решения.
  9. Апробирован метод экспертизы ХС и веществ, и разработаны методы количественной оценки их экологических свойств.

Список основных работ, опубликованных по теме диссертации

Издания из перечня, рекомендованного ВАК

  1. Дербишер, В. Е. Количественная оценка эффективности термо- и фотостабилизирующих добавок в полимерных композитах на основе представлений о нечетких множествах / В. Е. Дербишер, И. В. Гермашев, Г. Г. Бодрова // Высокомолекулярные соединения. – 1997. – Т. 39; №6. — С. 960-964.
  2. Гермашев, И. В. Прогнозирование на основе вероятностных методов активности низкомолекулярных органических соединений в полимерных композициях / И. В. Гермашев, В. Е. Дербишер, П. М. Васильев // Теоретические основы химической технологии. – 1998. – Т. 32; №5. – С. 563-567.
  3. Гермашев, И. В. Перспективы применения баз данных в химии и химической технологии в качестве экспертных систем / И. В. Гермашев, В. Е. Дербишер // Известия вузов. Химия и химическая технология. – 1998. – Т. 41; №4. – С. 99-101.
  4. Гермашев, И. В. Возможности применения математических методов прогнозирования для управления свойствами мономерных и полимерных материалов / И. В. Гермашев, В. Е. Дербишер // Известия вузов. Химия и химическая технология. – 1998. – Т. 41; №6. – С. 111-114.
  5. Оценка качества трикотажа с применением теории нечетких множеств / И. В. Гермашев, В. Е. Дербишер, Т. М. Кокорина, И. А. Мурашкина // Известия вузов. Технология текстильной промышленности. – 1999. – №4. – С. 7-10.
  6. Гермашев, И. В. Компьютеризированная методика прогнозирования активных добавок к полимерным композициям / И. В. Гермашев,
    В. Е. Дербишер, Е. А. Колесникова // Пластические массы. – 1999. – №2. – С. 32-36.
  7. Репрезентативность статистической базы данных экспертной системы прогноза органических добавок к полимерным композитам /
    И. В. Гермашев, В. Е. Дербишер, А. Ю. Колоскова, Е. В. Дербишер // Пластические массы. – 2000. – №7. – С. 20-21.
  8. Гермашев, И. В. Оптимизация состава полимерных композиций с использованием теории нечетких множеств / И. В. Гермашев, В. Е. Дербишер // Теоретические основы химической технологии. – 2001. – Т. 35; №4. – С. 440-443.
  9. Оценка качества технических объектов с использованием нечетких множеств / И. В. Гермашев, В. Е. Дербишер, Т. Ф. Морозенко, С. А. Орлова // Заводская лаборатория. Диагностика материалов. – 2001. – Т. 67; №1. – С. 65-68.
  10. Гермашев, И. В. Оценка активности антипиренов в эластомерных композициях с помощью нечетких множеств / И. В. Гермашев, В. Е. Дербишер, С. А. Орлова // Каучук и резина. – 2001. – №6. – С. 15-17.
  11. Компьютерное конструирование активных добавок для поливинилхлорида / И. В. Гермашев, В. Е. Дербишер, Ю. Л. Зотов, М. Н. Цаплева, Е. В. Коннова, П. М. Васильев // Пластические массы. – 2001. – №7. – С. 36-38.
  12. Определение расчетного индекса экологической опасности веществ методами нечеткой математики / И. В. Гермашев, Е. В. Дербишер,
    Н. В. Веденина, В. Е. Дербишер // Химическая промышленность сегодня. – 2003. – №11. – С. 27-34.
  13. Компьютерное конструирование химических соединений с заданными свойствами / И. В. Гермашев, В. Е. Дербишер, М. Н. Цаплева,
    Е. В. Дербишер // Теоретические основы химической технологии. – 2004. – Т. 38; №1. – С. 90-95.
  14. Априорное ранжирование факторов при расчете индекса экологической опасности веществ с использованием нечетких множеств /
    Е. В. Дербишер, П. И. Погорелов, И. В. Гермашев, В. Е. Дербишер // Химическая промышленность сегодня. – 2006. – №8. – С. 48-56.
  15. Гермашев, И. В. Принятие решений о выборе ингредиентов полимерных композиций в условиях нечёткой информации / И. В. Гермашев, В. Е. Дербишер, Е. В. Дербишер // Пластические массы. – 2007. – №7. – C. 24-27.
  16. Гермашев, И. В. Свойства унимодальных функций принадлежности в операциях с нечеткими множествами / И. В. Гермашев, В. Е. Дербишер // Изв. вузов. Математика. – 2007. – №3. – C.77-80.
  17. Оценка класса опасности намечаемых к промышленному использованию веществ с помощью евклидова расстояния / Е. В. Дербишер, В. Е. Дербишер, Н. В. Веденина, И. В. Гермашев // Химическая промышленность сегодня. – 2007. – №6. – C. 32-38.
  18. Дербишер, Е. В. Нечеткие множества в химической технологии / Е. В. Дербишер, И. В. Гермашев, В. Е. Дербишер // Известия вузов. Химия и химическая технология. – 2008. – Т. 51; №1. – С. 104-111.
  19. Гермашев, И. В. Применение нечетких множеств для компьютерной обработки информации о химических структурах и веществах / И. В. Гермашев, В. Е. Дербишер // Системы управления и информационные технологии. – 2008. – №2. – С. 76-80.
  20. Обработка нечетких данных для оценки активности научной деятельности / И. В. Гермашев, А. Ю. Силина, В. Д. Васильева, В. Е. Дербишер // Информационные технологии. – 2008. – №12. – С. 12-14.
  21. Компьютерное конструирование функциональных добавок к полимерным композитам (на примере полипропилена) / В. Д. Васильева, А. Ю. Александрина, Е. В. Дербишер, В. Е. Дербишер, И. В. Гермашев // Химическая промышленность сегодня. – 2008. – № 11. – C. 52-56.
  22. Нормирование данных при внеэкспериментальной экологической экспертизе намечаемых к проектированию и промышленному использованию веществ / Е. В. Дербишер, В. Е. Дербишер, И. В. Гермашев, Е. Н. Овдиенко // Химическая промышленность сегодня. – 2009. – № 4. – C. 34-40.
  23. Оценка опасности органических веществ с использованием искусственных нейронных сетей / И. В. Гермашев, Е. В. Дербишер, А. Ю. Александрина, В. Е. Дербишер // Теоретические основы химической технологии. – 2009. – Т. 43; №2. – С. 225-231.

Прочие издания

  1. Гермашев, И. В. Оценка качества технического объекта в условиях неопределенности/ И. В. Гермашев // Свидетельство о государственной регистрации программы для ЭВМ №2008612198. – 2008.
  2. Гермашев, И. В. Решение задач в химической технологии средствами нечетких множеств / И. В. Гермашев, В. Е. Дербишер. – Волгоград: Изд-во Волгоград. гос. пед. ун-та «Перемена», 2009. – 143 с.
  3. Дербишер, Е. В. Анализ свойств ингредиентов полимерных композиций с использованием нечетких множеств / Е. В. Дербишер, И. В. Гермашев, В. Е. Дербишер // Изв. Волгоград. гос. техн. ун-та. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах» / Волгоград. гос. техн. ун-т. – 2007. – Вып. 2; №2. – C. 28-31.
  4. Гермашев, И. В. Применение вычислительной техники для автоматизации исследования свойств и конструирования новых органических соединений — добавок к полимерным композитам / И. В. Гермашев, В. Е. Дербишер, П. М. Васильев // Химия и технология элементоорганических мономеров и полимерных материалов : сб. науч. тр. – 1998. – С. 162-171.
  5. Sorting of Additives to Polyethylene Based on the Non-Distinct Multitudes / I. V. Germashev, V. E. Derbisher, M. N. Tsapleva, E. V. Derbisher // Russian Polymer News. – 2001. – Vol. 6; №2.
  6. Диагностика возможной активности производных адамантана в полимерных композициях методами молекулярного дизайна / В. В. Орлов, В. Е. Дербишер, Ю. Л. Зотов, П. М. Васильев, И. В. Гермашев, Е. В. Дербишер, А. Ю. Колоскова // Химическая промышленность. – 2003. – Т. 80; №2. – С. 46-55.
  7. Компьютерное материаловедение химических соединений для прогнозирования их свойств / В. Д. Васильева, И. В. Гермашев, Е. В. Дербишер, А. Ю. Александрина, В. Е. Дербишер // Ползуновский альманах : [по матер. междунар. науч. шк.-конф. «Фундаментальное и прикладное материаловедение»]. – 2007. – №1-2. – C. 34-37.

Выражаю благодарность доктору химических наук, профессору Волгоградского государственного технического университета Дербишеру Вячеславу Евгеньевичу за плодотворное творческое сотрудничество и научные консультации, также выражаю признательность сотрудникам кафедры технологии высокомолекулярных и волокнистых материалов этого университета за помощь в постановке экспериментальных исследований и предоставлении ряда материалов для обработки результатов средствами нечеткой математики.


1 Черкасов, А. Р. Трехмерный корреляционный анализ — новый способ количественного описания эффектов заместителей в химии органических и элементоорганических соединений : автореф. дис… докт. техн. наук / А. Р. Черкасов; Казан. гос. ун-т. – 2002.

2 Орлов, А. И. Эконометрическая поддержка контроллинга инноваций. Нечеткий выбор / А. И. Орлов, Н. С. Загонова // Российское предпринимательство. – 2004. – №4. – C. 54-57.

3        1) Вспомогательные вещества для полимерных материалов: Справочник / Под ред. К. Б. Пиотровского. – М.: Химия, 1966. – 176 с.

       2) Химические добавки к полимерам: Справочник. – М.: Химия, 1973. – 271 с.

4        1) Грушко, Я. М. Вредные органические соединения в промышленных выбросах в атмосферу. Справочник / Я. М. Грушко. – Л.: Химия, 1986. – 207 с.

       2) Вредные вещества в промышленности. Органические вещества. Справочник / Под ред. Н. В. Лазарева, Э. Н. Левиной. – Л.: Химия, 1976. – 623 с.






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

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.