ЭКСПРЕСС-СПОСОБ ПРОГНОЗИРОВАНИЯ ПОЖАРООПАСНЫХ СВОЙСТВ ПРЕДЕЛЬНЫХ АЛЬДЕГИДОВ 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 температурного класса взрывозащищенного электрооборудования, применяемого в различных отраслях промышленности (нефтегазовая, фармацевтическая отрасль и др.). Сущность: в качестве основных элементов предлагаемого способа выступают молекулярные дескрипторы и искусственные нейронные сети (ИНС) прямого распространения с алгоритмом обучения «с учителем». Технической задачей изобретения является определение пожароопасных показателей, в частности температуры самовоспламенения, предельных альдегидов.

Известен способ прогнозирования пожароопасных свойств веществ на основе данных об углеродной цепи, в соответствии с которым проводится анализ зависимостей температур вспышки, воспламенения, самовоспламенения, температурных и концентрационных пределов от длины углеводородной цепи, позволяющий определить линейные и степенные показатели пожарной опасности. [Алексеев С.Г., Барбин Н.М., Алексеев К.С., Орлов С.А. Связь показателей пожарной опасности с химическим строением. I. Алканолы // Пожаровзрывобезопасность. - 2010. - Т. 19. - №5. - С. 23-30.]

Недостатком известного способа является то, что метод углеродной цепи (МУЦ) позволяет прогнозировать свойства веществ лишь в пределах одного гомологического ряда.

Наиболее близким по прогнозированию пожароопасных свойств веществ и получению значений является дескрипторный способ прогнозирования, который основан на построении моделей, отражающих взаимосвязь структуры молекул химических соединений с их свойствами. В этом методе для описания строения молекулы применяются дескрипторы - показатели, рассчитываемые из структурной формулы (молекулярная масса, количество атомов, частичные заряды на атомах и т.п.) или фрагменты структуры. Для описания строения молекул исследуемых соединений применяются дескрипторы структурной формулы - топологические индексы (индекс Винера W, индекс Рандича χ) и геометрические дескрипторы - площадь поверхности молекулы S, гравитационные индексы G₁ (all bonds) и G₂ (all pairs) [Калач А.В., Карташова Т.В., Сорокина Ю.Н., Облиенко М.В. Прогнозирование пожароопасных свойств органических соединений с применением дескрипторов // Пожарная безопасность. - 2013. - №1. - С. 70-74]

К недостаткам данного способа относится необходимость составления аппроксимационных уравнений и их дальнейшее решение. Все это влечет за собой большие временные затраты, тем самым накладывая ограничения на определение физико-химических свойств веществ.

Технической задачей изобретения является определение пожароопасных показателей, в частности температуры самовоспламенения, предельных альдегидов и повышение точности прогнозирования, а это позволит решить главную проблему - обеспечение пожарной безопасности промышленных объектов путем использования веществ и материалов с заранее известными или заданными свойствами.

Поставленная задача достигается тем, что в экспресс-способе прогнозирования пожароопасных свойств предельных альдегидов, в частности температуры самовоспламенения, 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 алгоритмом обучения с «учителем».

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

Способ осуществляется следующим образом.

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

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) Определяем параметры сети.

Все ИНС отличаются выбранными алгоритмами функционирования, архитектурой, определяемыми предметной областью использования ИНС. Обратимся к решению этой задачи.

В решении задач анализа пожароопасных свойств веществ, в частности температуры самовоспламенения ИНС должна обеспечивать нахождение некой функциональной зависимости Y=F(X) где Х - входной вектор (база данных), a Y - выходное значение (пожароопасный показатель).

Задача нахождения функциональной зависимости, при ограниченном наборе входных данных, имеет бесконечное множество решений. Для ограничения множества вариантов поиска при обучении с «учителем» ставится задача минимизации целевой функции ошибки нейросети, которая рассчитывается по методу наименьших квадратов:

где y_j - реальное значение j-го выхода нейросети;

d_j - целевое (желаемое) значение j-го выхода;

р - число нейронов в выходном слое

Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам.

Связи между нейронами характеризуются силами связей или весами. Обучение сети начинается с инициализации весов связей (также называемых весовыми коэффициентами) случайными величинами. Сети предъявляют различные данные, а весовые коэффициенты подстраиваются согласно выбранной математической схеме. После обучения сеть может распознавать входные данные. Информация о полученном во время обучения опыте хранится в виде весовых коэффициентах связей, аналогично тому, как это происходит в человеческом мозге.

Обучение нейросети производится методом градиентного спуска, т.е. на каждой итерации изменение веса производится по следующей формуле:

где ω_ij - весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n, η - коэффициент скорости обучения, 0<η<1.

где y_j - значение выхода j-го нейрона;

S_j - взвешенная сумма входных сигналов, определяемая по следующей формуле:

Так как множитель dy_j/ds_j является производной этой функции по ее аргументу, из этого следует, что производная активационной функции должна быть определена на всей оси абсцисс. В связи с этим функция единичного скачка и прочие активационные функции с неоднородностями не подходят для рассматриваемых ИНС. Поэтому для решения данной задачи применим классический сигмоид.

При этом множитель представляется в виде:

где x_i - значение i-го входа нейрона

Далее рассмотрим определение первого множителя формулы:

где k - число нейронов в слое n+1.

Введем вспомогательную переменную вида:

Тогда мы сможем определить рекурсивную формулу для определения n-го слоя, если нам известно следующего (n+1)-го слоя.

Нахождение же для последнего слоя ИНС не представляет трудности, так как нам известен целевой вектор, т.е. вектор тех значений, которые должна выдавать НС при данном наборе входных значений.

И наконец, запишем формулу в раскрытом виде:

Таким образом, полный алгоритм обучения нейросети можно представить в следующем виде.

1. Подать на вход ИНС один из требуемых образов и определить значения выходов нейронов нейросети.

2. Рассчитать δ^(N) выходного слоя ИНС по формуле (9) и рассчитать изменения весов выходного слоя N по формуле (10);

3. Рассчитать по формулам (9) и (10) соответственно и для остальных слоев ИНС, n=N-1…1.

4. Скорректировать все веса НС по выражению:

5. Если ошибка существенна, то следует перейти на шаг 1.

4) 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 обучение осуществляется с учителем [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].

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 альдегиды.

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.: Асс. "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.: Асс. "Пожнаука", 2004. - Ч. II. - 774 с.]

Пример 1.

В качестве исходных данных использовали молекулярные дескрипторы предельных альдегидов (табл. 1), коррелирующие с температурой самовоспламенения веществ (R2>0,9): 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)

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

Обучение ИНС осуществляется при помощи алгоритма обучения с учителем, затем добавляли к изученным параметрам, новую выборку и осуществляли прогноз. Способ осуществим. Полученные результаты представлены в табл. 3.

Пример 2.

С целью прогнозирования новых свойств, а именно температуры самовоспламенения предельных альдегидов, повторяли все действия как указано в примере 1. Способ осуществим. Получили значения температуры самовоспламенения (табл. 4)

Пример 3.

Для прогнозирования температуры самовоспламенения, повторяли все действия как указано в примере 1. Способ осуществим. Получили значения температуры самовоспламенения (табл. 5)

Пример 4.

Для прогнозирования температуры самовоспламенения, повторяли все действия как указано в примере 1. Способ осуществим. Получили значения температуры самовоспламенения (табл. 6)

Пример 5.

Для прогнозирования температуры самовоспламенения, повторяли все действия как указано в примере 1. Способ осуществим. Получили значения температуры самовоспламенения (табл. 7)

Из примеров 1-5 и табл. 3-7 следует, что наибольший эффект по предлагаемому способу прогнозирования температуры самовоспламенения, включающему удовлетворительную верификацию данных и прогнозирование новых свойств веществ, достигается с применением «Нейропакета КДС 1.0», реализующий искусственную нейронную сеть с алгоритмом обучения «с учителем».

Таким образом способ прогнозирования пожароопасных свойств предельных альдегидов 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 вопрос при выборе температурного класса взрывозащищенного электрооборудования;

- оптимизировать расходы на обеспечении пожарной безопасности.