ЭКСПРЕСС-СПОСОБ ПРОГНОЗИРОВАНИЯ ПОЖАРООПАСНЫХ СВОЙСТВ ПРЕДЕЛЬНЫХ КЕТОНОВ С ИСПОЛЬЗОВАНИЕМ МОЛЕКУЛЯРНЫХ ДЕСКРИПТОРОВ И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Изобретение относится к области пожарной безопасности (прогнозирование и определение пожароопасных свойств веществ) и может быть применено для определения категории помещения по взрывопожарной и пожарной опасности помещений различных отраслей промышленности (нефтегазовая, фармацевтическая отрасль и др.), расчета времени блокировки эвакуационных путей. Сущность: в качестве основных элементов предлагаемого способа выступают молекулярные дескрипторы и искусственные нейронные сети прямого распространения с алгоритмом обучения «обратное распространение ошибки». Технической задачей изобретения является определение пожароопасных показателей, в частности температуры вспышки, предельных кетонов.

Наиболее близким по технической сущности и достигаемому эффекту является способ определения температуры кипения и температуры вспышки сложных эфиров масляной и пропионовой кислот [Патент №2621669 Россия. Королев Д.С, Калач А.В., Каргашилов Д.В. «Экспресс-способ прогнозирования пожароопасных свойств сложных эфиров масляной и пропионовой кислот с использованием молекулярных дескрипторов и искусственных нейронных сетей»].

Недостатком прототипа является простота искусственной нейронной сети (один внутренний и один внешний слой) и, как следствие, недостаточная точность.

Технической задачей изобретения является определение пожароопасных показателей, в частности температуры вспышки, предельных кетонов и повышение точности прогнозирования.

Поставленная задача достигается тем, что в экспресс-способе прогнозирования пожароопасных свойств предельных кетонов, в частности температуры вспышки, включающем формирование базы данных молекулярных дескрипторов, состоящей из основных физико-химических свойств рассматриваемых веществ, новым является то, что количественный анализ осуществляется с применением искусственной нейронной сети прямого распространения с двумя алгоритмами обучения «обратное распространение ошибки» и «deep learning».

Технический результат заключается в возможности определения пожароопасных показателей, в частности температуры вспышки и повышении точности анализа.

Способ осуществляется следующим образом.

1) Определение объектов исследования и необходимый параметр для прогнозирования (в нашем случае температура вспышки);

2) Осуществляется формирование базы данных. База данных представляет собой молекулярные дескрипторы. Под молекулярным дескриптором понимается закодированная информация о веществе, представленная в виде цифровых значений. Поэтому для описания строения молекул обучающей выборки исследуемых соединений применяются молекулярные дескрипторы структурной формулы: Wiener index, Randic index (order 0), Randic index (order 1), Randic index (order 2), Randic index (order 3), Kier&Hall index (order 0), Kier&Hall index (order 1), Kier&Hall index (order 2), Kier&Hall index (order 3), Kier shape index (order 1), Kier shape index (order 2), Kier shape index (order 3), Kier flexibility index, Average Information content (order 0), Information content (order 0), Average Structural Information content (order 0), Structural Information content (order 0), Average Complementary Information content (order 0), Complementary Information content (order 0), Average Bonding Information content (order 0), Bonding Information content (order 0), Average Information content (order 1), Information content (order 1), Average Structural Information content (order 1), Structural Information content (order 1), Average Complementary Information content (order 1), Complementary Information content (order 1), Average Bonding Information content (order 1), Bonding Information content (order 1), Average Information content (order 2), Information content (order 2), Average Structural Information content (order 2), Structural Information content (order 2), Average Complementary Information content (order 2), Complementary Information content (order 2), Average Bonding Information content (order 2), Bonding Information content (order 2), Balaban index) и др., которые наиболее точно описывают разницу в строении между структурными изомерами.

Часть основной базы данных, применяемой в прогнозировании, представлена ниже в виде табл.1.

Использование большого количества вводимой информации дает прогноз с меньшим процентом погрешности. Единственным ограничением является использование молекулярных дескрипторов одного класса, в пределах прогнозирования пожароопасных свойств того же класса веществ.

3) Заранее подготовленную базу данных загружаем в оригинальную компьютерную программу «Нейропакет КДС 1.0» [свидетельство о государственной регистрации программ для ЭВМ №2016614070, заявка 2016611455, дата поступления 24.02.16 г., зарегистрирована в реестре программ 13.04.16 г.]. Программный продукт совмещает модульное и иконное представление результатов функционирования искусственной нейронной сети с реализацией усовершенствованных процедур обучения. При этом объектно-ориентированный дизайн позволяет рассматривать нейронную сеть в виде нейронных компонентов.

Работоспособность программы основана на проектировании персептронов, который адекватно реагирует на предоставленные примеры (молекулярные дескрипторы изученных веществ). Причем при увеличении числа нейронов внутреннего слоя персептрона погрешность обучения обычно падает. Таким образом, моделируется искусственная нейронная сеть с «N» количеством входов, одним выходом и скрытыми слоями. Особенностью программного продукта является то, что теперь он совмещает в себя два алгоритма обучения («алгоритм обратного распространения ошибки» [Д.С.Королев, А.В. Калач, О.В. Щербаков. Применение методики прогнозирования пожароопасных свойств продуктов нефтепереработки на основе молекулярных дескрипторов и искусственных нейронных сетей для обоснования температурного класса взрывозащищенного электрооборудования/ Пожаровзрывобезопасность. - 2017. - №6. - С. 21-30] и алгоритм «deep learning» [Д.С.Королев, А.В. Калач. Применение «DEEP LEARNING» при прогнозировании пожароопасных показателей кислородсодержащих органических соединений/ Научно-аналитический журнал «Вестник Санкт-Петербургского университета ГПС МЧС России». - 2017. - №1. - С. 60-667]).

4) Определяем параметры сети.

На данном этапе реализации определяем количество слоев (скрытых (4) и внешних (3)), размеры слоев, а также устанавливаем номера для текущих слоев i=0. Проводим построение сети для слоев i, i+1 и т.д.

На вход искусственного нейрона поступают сигналы, каждый из которых является выходом другого нейрона, или входным сигналом нейросетевой модели. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе биологического нейрона. Вес определяет, насколько соответствующий вход нейрона влияет на его состояние. Все произведения суммируются, определяя уровень активации нейрона s. Состояние нейрона определяется по формуле:

где ϕ - множество сигналов, поступающих на входе;

w_i - весовые коэффициенты нейрона.

Обучение сети на наборе X_i производится методом градиентного спуска, т.е. на каждой итерации изменение веса производится по формуле:

где е - коэффициент обучения;

W(t) - функция состояния.

Производим удаление вспомогательного слоя сети; сохранение весов Wi связей слоев i, i+1. Генерация набора данных Xi+1 для следующей сети (для этого необходимо пропустить через пару слоев i, i+1 набор данных Xi).

5) Получаем параметр.

Данный способ имеет универсальное применение для прогнозирования пожароопасных свойств веществ, в том числе при получении продуктов с заданными свойствами. Ниже приведен пример реализации предлагаемого способа. В качестве объектов исследования выбраны предельные кетоны.

Некоторые физико-химические свойства исследуемых веществ представлены в табл. 2. [Корольченко А.Я., Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справочник. - В 2-х ч. - 2-е изд., перераб. и доп. - М.: Acc. "Пожнаука", 2004. - Ч. I. - 713 с.; Корольченко А.Я., Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справочник. - В 2-х ч. - 2-е изд., перераб. и доп. - М.: Acc. "Пожнаука", 2004. - Ч. II. - 774 с.]

Пример 1.

В качестве исходных данных использовали молекулярные дескрипторы предельных кетонов (табл. 1), коррелирующие с температурой вспышки веществ (R2>0,8): топологические индексы - индекс Винера W (Wiener index), индекс Рандича χ (Randic index), геометрические дескрипторы - площадь поверхности молекулы S (Molecular surface area) и гравитационные индексы (Gravitation index) - G1 (all bonds) и G2 (all pairs) и др.

Для проверки работы искусственной сети и верификации данных спрогнозировали температуру вспышки исследуемых веществ.

Первоначально осуществляли обучение сети на 65% данных. Затем добавляли к изученным параметрам новые молекулярные дескрипторы и осуществляли прогноз. Способ осуществим. Полученные результаты представлены в табл. 3.

Пример 2.

С целью прогнозирования свойств неизученных веществ, а именно температуры вспышки предельных кетонов, повторяли все действия, как указано в примере 1, только обучение сети осуществляли на 70% данных. Способ осуществим. Получили значения температуры вспышки (табл. 4).

Пример 3.

Для прогнозирования температуры вспышки предельных кетонов, повторяли все действия, как указано в примере 1, только осуществляли обучение сети на 80% данных. Способ осуществим. Получили значения температуры вспышки (табл. 5).

Таблица 5. Результаты прогнозирования температуры вспышки

Пример 4.

Для прогнозирования температуры вспышки предельных кетонов повторяли все действия, как указано в примере 1. Способ осуществим, только обучение сети осуществляли на 85% данных. Получили значения температуры вспышки (табл. 6).

Из примеров 1-4 и табл. 3-6 следует, что наибольший эффект по предлагаемому способу прогнозирования температуры вспышки, включающему удовлетворительную верификацию данных и прогнозирование новых свойств веществ, достигается с применением программы «Нейропакет КДС 1.0», реализующей работу искусственных нейронных сетей с двумя алгоритмами работы «обратное распространение ошибки» и «deep learning».

Таким образом, способ прогнозирования пожароопасных свойств веществ, основанный на использовании молекулярных дескрипторов и искусственных нейронных сетей, позволяет:

- повысить оперативность прогнозирования пожароопасных свойств веществ за счет отсутствия сложных математических вычислений;

- расширить справочную и нормативную литературу новыми физико-химическими свойствами веществ;

- исключить условия образования горючей среды за счет возможности прогнозировать свойства еще не синтезированных веществ;

- исключить условия образования источников зажигания за счет возможности решения спорных вопросов при расчете категории помещения по взрывопожарной и пожарной опасности, времени блокировки эвакуационных путей;

- оптимизировать расходы на обеспечении пожарной безопасности.