Застосування алгоритмів машинного навчання в імовірнісно-статистичних моделях для прогнозування та розрахунку процесів озонування

Abstract

У 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.