Анализ механической энергии BLEVE с использованием методологии искусственной нейронной сети
Подход искусственной нейронной сети (ANN) использовался в качестве удобного инструментария для моделирования, прогнозирования и моделирования в различных инженерных и научных областях. Это может быть полезным инструментом, когда в системе существует некоторая нелинейность, требующая относительно сокращенного вычислительного времени.
Таким образом, ANN была реализована для получения функции, позволяющей вычислять механическую энергию BLEVE. Опять же, эта функция должна требоваться только и зависит от температуры отказа судна и уровня заполнения.
5.4.1 Искусственная нейронная сеть
Нейроны являются основными элементами биологической нейронной сети в мозге человека. Структура нейрона показана на рисунке 5-4. Нейрон получает данные из соседних нейронных клеток через дендриты и делает некоторый процесс в соме (теле), передавая сигнал на следующий нейрон через аксон; передача данных осуществляется синапсами через электрохимические сигналы.
Рисунок 5-4. Нейрон (Yadav et al., 2014).
Искусственная нейронная сеть - это метод, который может быть применен для анализа и вычисления данных для различных задач и решения их по той же схеме, что и для биологической нейронной сети. Первые попытки в этой области были связаны с Хеббом в 1940-х годах. После этого некоторые исследователи, такие как Хопфилд, Румелхарт, Гроссберг и Видро, разработали этот метод в 1980-х годах.
|
|
С помощью ANN огромные проблемы могут быть решены посредством параллельной и распределенной обработки. Он решает проблемы, не требуя слишком сложной формулировки; из-за этого, это может значительно сэкономить время по сравнению с методами решения закрытой формы. Более того, эта методология позволяет приблизить любую нелинейную функцию к компактному набору данных с заданной точностью (Siddique and Adeli, 2013).
Каждая нейронная модель состоит из сегмента, который сигнализирует об импорте и действует как синапс. Сначала каждый из входов (xi) умножается на соответствующее значение веса w. После суммирования этих значений к результату может быть добавлено значение смещения «𝑏». Краткое изложение этого процесса для 𝑛 входов показано в уравнении (5.17):
В конце этого процесса результат входит в передаточную функцию (уравнение (5.18)):
Обычные формы передаточной функции являются линейными, ступенчатыми, рампными или сигмовидными. На рисунке 5-5 показана структура ANN.
Рисунок 5-5. Структура искусственной нейронной сети.
Некоторые нейроны соединяются вместе, образуя слой нейронов. Сеть включает один или несколько из этих уровней. Согласно конфигурации и способу связи между нейронами могут быть разные типы нейронных сетей. Как правило, их можно разделить на две категории: 1) нервные сети с обратной связью и 2) нейронные сети обратной связи.
|
|
Рисунок 5-6. Прямая нейронная сеть.
В исходной нейронной сети сигналы движутся вперёд, они не могут вернуться и нет обратной связи. Этот тип нейронной сети (например, рис. 5-6) может быть представлен в векторной форме по уравнению (5.19):
Здесь 𝑌 - выходной вектор, 𝑊 - весовая матрица, 𝑏 - вектор смещения, а 𝑓 - передаточная функция.
Основной задачей нейронной сети является определение весов и смещений таким образом, чтобы адаптировать выход к входам с минимальной ошибкой. Процесс обучения изменяет веса и предубеждения. Методом обучения, используемым для решения сети в этой работе, был метод Байесовского регулирования, который может быть применен к обучению на основе прямых нервных сетей. Он основан на статистическом подходе и предполагает, что значения весов и смещений связаны с функцией распределения с неизвестной дисперсией. Основная задача - оценить параметры с помощью статистических методов (Foresee and Hagan, 1997; Nguyen, 1998; Siddique et al., 2013).
5.4.2 Подготовка набора данных
Для ANN были подготовлены два набора данных для пропана и бутана, используя вышеупомянутый метод, основанный на реальном поведении газа и адиабатическом необратимом расширении (Planas et al., 2004b). Необходимые термодинамические данные были получены в базе данных NIST Reference Fluid Thermodynamic and Transport Properties Database (REFPROP) версии 9.1. В наборах данных были зарегистрированы температура (K), уровень заполнения и механическая энергия (MJ / m3). Интервал базы данных был рассчитан на уровень заполнения от 1% до 90% в случае пропана и от 1% до 99% для бутана. Начальные температуры составляли 300 К и 283 К для пропана и бутана. Фактически, ANN обучался в те вышеупомянутые интервалы. У пропановых и бутановых наборов данных было 121 и 201 точек данных, соответственно. Эти наборы данных использовались в ANN для генерации связанных функций. Наконец, полученные функции были применены к двум наборам экспериментов от Birk et al. и Johnson et al. уже представленный в главе 4 для анализа доброты метода.
|
|
5.4.3 Результаты алгоритма обучения обратного распространения
Были изучены три различных алгоритма обратное распространение (BP), чтобы найти лучший для ANN. Для сравнительного исследования были рассмотрены пять нейронов, и, наконец, алгоритм с самым низким MSE был выбран как алгоритм BP. Как показано в таблице 5-6 и таблице 5-7, алгоритм Байесовской регуляризации имеет самый низкий MSE для пропана и бутан, поэтому был выбран в этом исследовании. Значения MSE для этих двух веществ составляли 2,29 · и 4,63 · соответственно.
|
|
Таблица 5-6. Алгоритмы обратного распространения пропана
Алгоритм обратного распространения | Функция | Тестирование среднеквадратичной ошибки (MSE) | Эпоха | Значение регрессии R | Наилучшее линейное уравнение |
Обратное распространение Левенберга-Марквардта | trainlm | 0.000364 | 232 | 0.99996 | Output = 1*Target +0.0049 |
Байесовская регуляризация | trainbr | 0.000229 | 385 | 0.99998 | Output = 1*Target +0.00098 |
Масштабированный Сопряженный Градиент | trainscg | 0.0736 | 39 | 0.99205 | Output = 1*Target +0.17 |
Таблица 5-7. Алгоритмы обучения обратному распространению для бутана
Алгоритм обратного распространения | Функция | Тестирование среднеквадратичной ошибки (MSE) | Эпоха | Значение регрессии R | Наилучшее линейное уравнение |
Обратное распространение Левенберга-Марквардта | trainlm | 5.85* | 116 | 1 | Output = 1*Target +0.0019 |
Байесовская регуляризация | trainbr | 4.63* | 1000 | 0.99999 | Output = 1*Target – 0.0012 |
Масштабированный Сопряженный Градиент | trainscg | 8.39* | 17 | 0.94398 | Output = 0.93*Target +0.33 |
Оптимизация числа нейронов
Определение числа нейронов очень важно. Учитывая, что несколько нейронов приводят к недоустройству, и, наоборот, переоснащение может произойти, если число нейронов выше определенного значения. В этом исследовании ANN был обучен на основе алгоритма байесовского регулирования BP для пропана и бутана. Количество нейронов было изменено от 1 до 20, и было выбрано оптимальное количество нейронов на основе минимального значения MSE тренировки. Согласно рис. 5-7, оптимальным числом нейронов для пропана и бутана были пять и четыре нейрона соответственно.
Рисунок 5-7. Оптимизированное число нейронов.
Настройка и результаты ANN
Для решения проблемы использовалась многослойная прямая нейронная сеть. Общая картина этого метода изображена на рис. 5-8. Многослойная сеть прямой подачи состоит из трех уровней. Первый - это входной уровень, через который данные импортируются в сеть, а последний - выходной, который дает целевые данные. Между этими двумя упомянутыми слоями есть еще один скрытый слой. Количество скрытых слоев зависит от точности, необходимой для конкретной проблемы. В этом анализе количество скрытых слоев было установлено на единицу, что обеспечило хорошую точность. На основе процесса оптимизации нейронов число нейронов на скрытом слое составляло пять в случае пропана и четыре в случае бутана. Передаточная функция, примененная в этом слое, была сигмоидной, потому что она имела простое и простое дифференцирование для использования в алгоритме backpropagation. Для выходного слоя число нейронов в обоих случаях должно быть равным единице, а передаточная функция была чистой (линейной).
Рисунок 5-8. Структура искусственной нейронной сети для пропана и бутана: а) пропана; б) бутан.
Этот процесс был выполнен с помощью набора инструментов R20015a для нейронной сети MATLAB (8.5.0.197613 - Номер лицензии: 107001). Количество входных данных для учебного процесса составило 121 и 201 для пропана и бутана соответственно. Он достиг уровня конвергенции после 348 итераций в случае пропана и 191 итераций с бутаном. Процесс проверки был выполнен с 15% данных для проверки обобщения сети. Полученная сеть была протестирована с 15% данных, чтобы обеспечить независимую оценку производительности сети во время и после обучения.
Для пропана расчетные значения R-значений сети были близки к одному, что свидетельствует о тесной корреляции между выходом и целями. На рисунке 5-9 показано, насколько точна модель ANN.
Рисунок 5-9. Регрессионные графики для пропана, слева: во время тренировки, в середине: во время тестирования, право: все данные, включая проверку.
Кроме того, оптимизированные веса для пропана, создаваемого моделью искусственной нейронной сети, суммированы в таблице 5-8.
Таблица 5-8 Матрица весов пропана
Нейрон | W1 | W2 | |
Входные параметры | Вывод | ||
Температура | Уровень заполнения | Энергия | |
1 | -1.2335 | -0.2862 | -0.8641 |
2 | 1.7512 | 0.3928 | 0.5474 |
3 | -0.8560 | 0.2377 | 3.16 |
4 | 1.2560 | -0.3420 | 1.1380 |
5 | 1.1617 | 0.2995 | 1.1103 |
W1: Массы между входными и скрытыми слоями
W2: Массы между скрытыми и выходными слоями
В случае бутана результаты регрессии (рис. 5-10) показывают, что сеть была обучена должным образом и существует линейная зависимость между выходными и целевыми данными. R были близки к единице, что указывало на линейность между целевыми и выходными данными.
Рисунок 5-10. Регрессионный график для бутана, слева: во время тренировки, средний: во время тестирования, справа: все данные, включая проверку.
Оптимальные весы для бутана из искусственной нейронной сети между входным и скрытым слоями (W1) и между скрытыми и выходными уровнями (W2) показаны в таблице 5-9.
Таблица 5-9 Матрица весов бутана
Нейрон | W1 | W2 | |
Входные параметры | Вывод | ||
Температура | Уровень заполнения | Энергия | |
1 | -1.3757 | -0.4138 | -0.2668 |
2 | 0.7913 | -0.1637 | -1.8164 |
3 | -0.8212 | -0.1932 | -2.4487 |
4 | -1.5521 | 0.4522 | -0.3672 |
W1: Массы между входными и скрытыми слоями
W2: Массы между скрытыми и выходными слоями
5.4.4 Сравнительное исследование
Среднеквадратичное отклонение (RMSD) (Piñeiro et al., 2008) в качестве статистического инструментария также использовалось при сравнении результатов, полученных с методом ANN и вышеупомянутых экспериментальных данных от Birk et al. и Johnson et al. Результаты показаны в таблице 5-10 вместе с результатами, полученными из полиномиальных выражений. Как видно, функции, полученные из ANN, показывают хорошую производительность. Можно сказать, что оба предложенных метода являются точными и практичными. Опять же, та же причина, объясняемая в разделе 5.3.1, может быть причиной отклонения между новым подходом и методом RAIE. На рис. 5-11 показаны эти различия между различными подходами и экспериментальными значениями.
Таблица 5-10 Значения RMSD для разных методологий
Термодинамическое предположение * | ||||
RMSD | RAIE | SE | Новый подход (Полиномиальный) | Новый подход (установка нейронной сети) |
Кривая Джонсона-ТНТ | 2.3 | 2.2 | 2.2 | 2.2 |
Кривая Бирка-ТНТ | 4.9 | 4.1 | 4.2 | 4.3 |
RAIE = поведение реального газа и адиабатическое необратимое расширение; SE = энергия перегрева жидкости
Рисунок 5-11. Результаты по различным методологиям против их экспериментальных значений.
5.4.5 Пример применения
Применение метода нейронной сети объясняется тем же примером, который уже представлен в разделе 5.3.2:
Файл Mathlab для расчета избыточного давления в кПа:
Ниже приведена процедура вычисления примера и результата в kPa при запуске предыдущего файла Mathlab:
Обсуждение
Существует несколько термодинамических методов предсказания механической энергии BLEVE. Эти методы были сопоставлены в предыдущих главах, и был сделан вывод о том, что они могут быть классифицированы в двух разных категориях: а) методы, дающие довольно консервативную ценность, и б) методы, дающие более низкое значение. Методы, основанные на реальном поведении газа и адиабатическом необратимом разложении, относятся ко второй категории, будучи гораздо менее консервативны, но гораздо ближе к реальным / экспериментальным значениям, чем другие.
При адиабатическом методе необратимого расширения существует почти линейное поведение между механической энергией и температурой и уровнем заполнения в момент взрыва. Эта характеристика была использована в этой главе, чтобы найти быстрый метод (по времени и эффекту расчета) для расчета механической энергии BLEVE. Поэтому целью этой главы было представить простой, быстрый и точный метод, чем существующие, чтобы вычислить механическую энергию BLEVE.
Таким образом, для нахождения подходящего уравнения использовалась линейная зависимость между температурой и высвобожденной механической энергией. Набор данных был создан для нескольких веществ (выбранных в соответствии с историческим анализом в главе 1) путем определения сценария для 1 судна, которое было нагрето; рассматривалось поведение реального газа и адиабатический необратимый процесс расширения. Значения механической энергии регистрировались для соответствующих температур и уровней заполнения.
MATLAB Curve Fitting Toolbox использовался для создания соответствующих полиномов. Поэтому для наиболее распространенных жидкостей, обнаруженных в авариях BLEVE, были получены несколько полиномов различной степени. Полученные уравнения получили уровень заполнения и температуру в качестве входных переменных и дали механическую энергию BLEVE в качестве выхода.
Для проверки того, какой полином обеспечил наилучшее решение, были использованы визуальный осмотр и статистика пригодности. Наилучшим подходом для предложенных уравнений был полином третьей степени. Фактически, это дало более низкое отклонение с набором данных.
Кроме того, сравнительное исследование нового подхода показало, что оно имеет более высокий уровень эффективности, чем другие методологии. В некоторых экспериментах (например, эксперименты Бирка) результаты нового подхода могут иметь некоторое отклонение от результатов методов, основанных на реальном поведении газа и адиабатическом и необратимом разложении (табл. 5-5). Действительно, новый подход иногда имел более близкое приближение, чем другие методы. Эти различия могут быть обусловлены отклонениями, которые произошли при вычислении многочленов (таблица 5-3).
Кроме того, искусственная нейронная сеть (ANN) использовалась в качестве удобного инструментария для нелинейной системы. Целью было найти подходящую функцию между температурой и уровнем заполнения в качестве входных данных и механической энергии в качестве выходных данных. Две функции были получены для пропана и бутана с использованием ANN. Для обоих веществ рассчитанные значения регрессии сетей R были близки к одному, что свидетельствует о близкой корреляции между выходами и целями. Сети ANN показали хороший уровень производительности по сравнению с другими методами, что в сочетании с его простотой позволяет легко и быстро получать результаты.
Представленная методика расчета механической энергии не зависит от информации термодинамических свойств вещества (Энтальпия, Энтропия, Внутренняя энергия и т.д.), и для этого требуется только температура разрыва и уровень заполнения для вычисления механической энергии BLEVE и полученных эффектов. ANN подобен черному ящику, а то, что происходит внутри функции, неясно. Это может быть недостатком для ANN. Однако целью использования ANN в этом исследовании было показать применение ANN в предсказании энергии взрыва. Его возможности могут быть разработаны для дальнейших исследований в области BLEVE, таких как диапазон фрагментации и ее типы.
Наконец, новый подход зависит только от температуры и уровня заполнения сосуда для оценки освобожденной механической энергии BLEVE. Сравнивая новый подход с другими термодинамическими методологиями, основанными на нескольких термодинамических переменных, новый подход представляется весьма удобным и удобным.
Дата добавления: 2019-11-25; просмотров: 174; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!