Арзамасский политехнический институт филиал Нижегородского государственного технического

Арзамасский политехнический институт ( филиал) Нижегородского государственного технического университета им. Р. Е. Алексеева Синтез устойчивой нейросетевой модели на основе перекрестного метода Авторы: Студентка, Чанова М. И. , К. т. н. , доцент Качалов О. Б. , Ассистент, Лазарева Е. И.

Актуальность и перспективность работы: Национальный институт стандартов и технологий США (NIST) считает, что основным препятствием для внедрения инноваций во всех сферах экономики, медицины, обороны и экологии является недостаточная точность различных методов и средств измерений. В связи с этим актуальным становится вопрос о разработке моделей аппроксимирующих зависимостей со сравнительно низкой погрешностью. К таким моделям, в частности, относится нейросетевая модель с поиском нескольких экстремумов на зависимости погрешности проверочных точек от погрешности точек обучающей выборки. . Однако, вопрос о синтезе устойчивой нейросетевой модели в такой постановке еще не рассматривался.

Цель работы: Синтез устойчивой нейросетевой модели с поиском минимума погрешности проверочных точек на основе перекрестного метода. Задачи решаемые в работе: Подготовка тестовых примеров на основе данных калибровки прибора «Ультрафлоу» ; Проведение расчетов при различных вариантах обучающей и проверочной выборках; Сравнение результатов расчетов рассматриваемых вариантов; Выбор устойчивой нейросетевой модели.

Нейросетевая модель: В работе были использованы данные калибровочных работ прибора «Ультрафлоу» . Рассматривалась нейросетевая модель со стандартной функцией программы MATLAB, имеющая следующий вид: net = newrb(P, T, GOAL, SPREAD), где P – матрица входных данных (расход жидкости, показания датчика обводненности, доплеровский сдвиг частоты, показания датчика газонасыщенности, температура потока и давление в трубопроводе); T – вектор выходных данных (влажность нефти); GOAL – среднеквадратичная ошибка (в нашей модели принята равной 0, 001); SPREAD – параметр влияния радиально-базисной функции (в нашей модели принят равным 2500).

Методология: Разделение исходного множества данных (50 экспериментальных точек) проводилось на пять равных блоков. При этом на четырех блоках производилось обучение модели, а пятый блок использовался для тестирования. Процедура повторялась пять раз и каждый раз для проверки выбирался новый блок. Полученные экспериментальные зависимости погрешности проверочных точек от погрешности точек обучающей выборки сравнивались между собой.

Исходные данные по обучающей выборке: Обводненность, % Расход жидкости, м 3/сут Показание датчика обводненности Доплеровский сдвиг частоты Показание датчика газонасыщенности Отношение температуры к давлению, С 0/МПа 10. 03 30 27385. 45 1089. 5 0 21. 09/0. 119 10. 16 19. 94 28831. 06 2383. 02 0. 1084 20. 8/0. 116 10. 06 20. 50 25645. 65 3763. 86 0. 2567 20. 8/0. 112 10. 80 20. 71 24590. 56 5744. 47 0. 4577 21. 2/0. 108 10. 09 30 24371. 90 6290. 46 0. 4534 21. 03/0. 109 10. 45 20. 34 24593. 65 6472. 22 0. 5537 21. 2/0. 108 9. 94 30 24438. 09 7117. 15 0. 5540 21. 1/0. 108 24. 63 15 26132. 24 7600. 53 0. 7559 20. 6/0. 1081 10. 02 30 24503. 45 8251. 48 0. 6405 20. 9/0. 1085 9. 4 20. 4 25010 10702 0. 8538 19/0. 105

Исходные данные по проверочной выборке: Обводненность, % Расход жидкости, м 3/сут Показание датчика обводненности Доплеровский сдвиг частоты Показание датчика газонасыщенности Отношение температуры к давлению, С 0/МПа 9. 1 20. 6 24584. 45 5739. 17 0. 4522 19. 3/0. 108 25 15. 2 25990 7610. 56 0. 7561 19. 6/1. 08 25 29. 8 26101. 87 11401. 87 0. 8322 19. 1/0. 11 11. 7 20. 59 24863. 84 8976. 31 0. 7686 20. 1/0. 1088 24. 74 15 26180. 90 9501. 82 0. 8458 19. 6/0. 1076 24. 70 15 26263. 90 10721. 28 0. 9048 19. 5/0. 1082 10 20. 19 25075. 68 10744. 39 0. 8547 19. 6/0. 1089 25. 12 30 26044. 34 11427. 64 0. 8378 19. 6/0. 1084 10. 71 20 25239. 81 11773 0. 9091 19. 3/0. 1090 25. 02 30 26149. 70 13370. 72 0. 9003 19. 7/0. 1092

Зависимость погрешности проверочных точек от погрешности обучающих точек:

Зависимость погрешности проверочных точек от погрешности обучающих точек:

Вывод: Сравнение экстремумов, полученных при различных вариантах проверочных выборок, показало, что значения экстремумов отличались друг от друга в допустимых пределах (0, 00020, 0004). Применение перекрестного метода позволило синтезировать устойчивую нейросетевую модель с поиском экстремума погрешности проверочных точек.