Статті
Постійне посилання на розділhttps://dspace.nuft.edu.ua/handle/123456789/7372
Переглянути
4 результатів
Результати пошуку
Документ Застосування алгоритмів машинного навчання в імовірнісно-статистичних моделях для прогнозування та розрахунку процесів озонування(2019) Захаров, Володимир Володимирович; Устінов, Олександр А.; Змієвський, Юрій Григорович; Мирончук, Валерій ГригоровичУ статті представлено розроблену авторами ймовірнісно-статистичну модель для розрахунку та прогнозування ефективності процесів озонування із застосуванням технології «машинного навчання». Модель реалізовано у вигляді програмного забезпечення. В основі розрахункового алгоритму лежить теорема Баєса. Код програми написано на мовах Python 2.6.8 та Bash. Запропоновано чотири класи, які відповідають певному відсотку розчиненого озону в рідкій фазі, оскільки цей показник — один з головних параметрів при визначенні ефективності процесу озонування. Принцип формування навчальної вибірки полягає у створенні набору подій, у яких сукупність значень обраних параметрів відповідає певному класу. Після проведення статистичного аналізу розподілів імовірностей різних параметрів за класами з’ясовано, що на процес озонування найбільше впливають концентрація озону в озоно-газовій суміші і температура. У результаті проведеного дослідження побудовано ймовірнісно-статистичну модель із застосуванням технології «машинного навчання» та проведено апробацію моделі для процесу озонування. Модель дає змогу визначити ефективність процесу озонування залежно від заданих значень темпе - ратури та концентрації озону в озоно-газовій суміші. У межах значень температури 0... 35°С та початкової концентрації озону 20.240 г/м3 точність прогнозу становить 91%. Також у програмі реалізовано функцію «машинного навчання» на принципі «Supervised Learning» додатковим модулем, який після визначення користувачем розчиненого озону видає запит на підтвердження правильності отриманих результатів. Якщо користувач підтверджує правильність класифікації, то задана подія вноситься до навчальної вибірки як достовірна. Представлена модель може бути адаптована для моделювання широкого класу задач, пов ’язаних з баромембранними процесами. The paper presents the probabilistic and statistical model developed by the authors for calculating and predicting the efficiency of ozonation processes using the technology of “machine learning”. The model is implemented as a software. The basis of the calculation algorithm is Bayes’ theorem. The program code is written in Python 2.6.8 and Bash. There were proposed 4 classes that correspond to a certain percentage of dissolved ozone in the liquid phase, since this index is one of the main parameters in determining the effectiveness of the ozonation process. The principle of forming a training sample is to create a set of events in which the set of values of the selected parameters correspond to a certain class. As a result of the statistical analysis of the probability distribution of various parameters in classes, it was found that ozone concentration in the ozone-gas mixture and temperature are most affected by the ozonation process. The more events are present in the training sample, the more precisely the classification takes place. The result of the work is a probabilistic-statistical model using the technology of “machine learning” (expert system) and testing of this model for the ozonation process. The model allows to determine the efficiency of the ozonation process depending on the given values of temperature and ozone concentration in the ozone-gas mixture. Within the limits of the temperature 0...35°С and the initial concentration of ozone 20...240 g/m3, the accuracy of the forecast is 91%. Also, the program has implemented the function of machine learning on the principle of “Supervised Learning”. It is implemented by an additional module, which, after the determination of the user of dissolved ozone, asks for confirmation of the correctness of the results. If the user confirms the correctness of the classification, then the given event is entered into the training sample. The presented model can be adapted to simulate a wide range of tasks related to barometric processes.Документ Застосування алгоритму наївного Баєсового класифікатора для розрахунку та прогнозування процесів озонування(2018) Захаров, Володимир Володимирович; Устінов, Олександр А.; Змієвський, Юрій Григорович; Мирончук, Валерій ГригоровичУ статті представлено розроблену авторами експертну систему(програмне забезпечення) для розрахунку та прогнозування процесу озонування. За основу алгоритму розрахунку було взято наївний Баєсів класифікатор із застосуванням технологій «машинного навчання». Програму написано у середовищі для програмування Python. Розроблено і визначено необхідні параметри, класи та основоположні принципи формування навчальної вибірки. Запропоновано п ’ять класів, які відповідають певному відсотку розчиненого озону в рідкій фазі, оскільки цей показник один із головних параметрів при визначенні ефективності озонування. Принцип формування навчальної вибірки полягає у створенні набору подій, у яких сукупність значень обраних параметрів відповідає певному класу. На цьому етапі за параметри було обрано температуру оброблюваної рідини і концентрацію озону в озоно-газовій суміші. Чим більше подій відбувається у навчальні вибірці, тим точніше проходить класифікація.Документ Методика визначення достовірності ймовірнісно-статистичної моделі розрахунку процесу озонування(2020) Мирончук, Валерій Григорович; Змієвський, Юрій Григорович; Захаров, Володимир Володимирович; Корнієнко, Людмила ВікторівнаУ статті представлено методику визначення достовірності ймовірнісно-статистичної моделі для розрахунку процесу озонування. Завдяки проведенню статистичного аналізу полігонів частот і розподілів імовірностей різних параметрів по класах виявлено, що на процес озонування температура впливає більше, ніж концентрація озону в озоно-газовій суміші. Значення температури дає змогу визначити діапазон розчинності озону, тобто розраховувати ефективність процесу озонування. Результатом подальших досліджень стала методика визначення достовірності ймовірнісно-статистичної моделі для розрахунку процесу озонування. Для аналізу алгоритмів обробки даних використовувались такі метрики, як точність (Precision) і повнота (Recall). В подальшому їх використали для розрахунку ще однієї метрики — F-міри (F-score). Ця метрика враховує і повноту, і точність, тому стало можливим визначити ефективність алгоритму розрахунку. F-міру розраховували як середнє гармонічне між точністю та повнотою та приймали в межах значення від 0 до 1. Чим ближче F-міри знаходилась до 1, тим точнішими були результати розрахунку. За допомогою запропонованої методики встановлено, що усереднений за всіма класами показник F-міра дорівнює 0,9069. Встановлено точність розрахунку розробленої моделі. Так, для діапазону розчинності озону в межах 60... 80% точність сягає 100%, для інших діапазонів точність коливається від 83 до 99(%), при середній точності 92,25%, що загалом є високим показником. Запропонована модель дає змогу визначити ефективність процесу озонування залежно від заданих значень температури та концентрації озону в озоно-газовій суміші. У подальшому запропонована авторами методика для визначення достовірності ймовірнісно-статистичної моделі розрахунку процесу озонування може забезпечити постійний контроль за правильністю розрахунків при поповненні вибірки даних моделі. The paper presents a method for determining the reliability of the probability-statistical model for calculating the ozonation process. Due to the statistical analysis of frequency ranges and probability distributions of different parameters by classes, it was found that the temperature has a greater effect on the ozonation process than the concentration of ozone in the ozone-gas mixture. The temperature value makes it possible to determine the range of ozone solubility, that is to calculate the efficiency of the ozonation process. The result of further work was a method for determining the reliability of the probability-statistical model for calculating the ozonation process. Metrics such as Precision and Recall were used to analyze the data processing algorithms. Subsequently, they were used to calculate another metric—F-score. This metric takes into account both completeness and accuracy and allowed to determine the efficiency of the calculation algorithm. The F- score was calculated as the average harmonic between accuracy and completeness and was taken in the range from 0 to 1. The closer the F- score was to 1, the more accurate the calculation results were. Using the proposed method, it was found that the average F-measure for all classes is 0.9069. The accuracy of calculation of the developed model was established, for the range of ozone solubility within 60...80% accuracy reaches 100%, for other ranges accuracy fluctuates from 83 to 99(%), at average accuracy of 92.25% that in general is a high indicator. The proposed model allows to determine the efficiency of the ozonation process depending on the set values of temperature and ozone concentration in the ozone-gas mixture. In the future, the method proposed by the authors to determine the reliability of the probabilistic-statistical model of calculation of the ozonation process can provide constant control over the correctness of the calculations when replenishing the sample data of the model.Документ Deep processing of permeate after nano-filtration (nf) of milky whey(2018) Zakharov, Volodymyr; Zmievskiy, Yuriy; Ustinov, Olexandr; Dzyazko, Yulia; Mironchuk, ValeriyThe method of deep processing of nano-filtration permeate of milk whey is proposed and scientifically substantiated, using ozonation and electrodialysis processes. The ozonation station can remove up to 96 % of organic compounds of NF permeate, and the amount of dissolved ozone in this case should be 20...28 mg/dm3. This treatment allows us to fully utilize NF permeate in the future. It has been established that in order to achieve the posteffect of the impossibility of microflora in the ozone-treated nanofiltration permeate, the minimum amount of dissolved ozone should not be less than 2,5 mg/dm3.