Применение искусственных нейронных сетей для анализа экспериментальных данных горения смесевых твёрдых топлив

DOI: 10.34759/vst-2020-1-164-170

Авторы

Аверьков И. С.^1*, Власов С. О.^1**, Разносчиков В. В.^2***

1. Центральный институт авиационного моторостроения им. П. И. Баранова, ЦИАМ, Авиамоторная ул., 2, Москва, 111116, Россия
2. Центральный институт авиационного моторостроения им. П.И. Баранова, ЦИАМ, Авиамоторная ул., 2, Москва, 111116, Россия

*e-mail: averkov@ciam.ru
**e-mail: sergeyvlasovsaylar@yandex.ru
***e-mail: raznoschikov@ciam.ru

Аннотация

Экспериментальная отработка ракетно-прямоточных двигателей (РПДТ) представляет собой исследование работоспособности твердого топлива в условиях конкретной конструкции двигателя. Эксперименты такого рода требуют больших трудозатрат и являются дорогостоящими. Для снижения затрат на испытания РПДТ и ускорения разработки требуется качественная обработка полученных экспериментальных данных. В статье показана возможность использования технологии искусственных нейронных сетей (ИНС) в задачах обработки эксперимента по горению твердого топлива. Приводятся краткое описание нейронной сети типа «многослойный перцептрон» и порядок работы с ИНС при решении задач аппроксимации экспериментальных данных. На примере обработки данных горения трёхкомпонентного топлива продемонстрирован основной принцип применения нейронных сетей. Для топлива, содержащего (7Н-трис([1,2,5]оксадиазоло)[3,4-b:3’,4^,-й:3",4"-f]азепин-7-амин-1-оксид) C₆H₂N₈O₄, получена зависимость скорости горения от соотношения компонентов, входящих в состав топливной смеси, и давления в камере сгорания на основе экспериментальных данных. Полученные результаты позволяют сформировать непрерывную функцию, пригодную для использования в математической модели более высокого уровня в качестве верифицированной базы данных свойств топлив.

Ключевые слова:

аппроксимация, горение топлива, искусственная нейронная сеть, обработка экспериментальных данных, моделирование процессов

Библиографический список

1. Крылов Б.А., Онищик И.И., Юн А.А. Моделирование процессов тепло-и массообмена в модельных камерах сгорания // Вестник Московского авиационного института. 2009. Т. 16. № 1. С. 27-30.

2. Богданов В.И. Исследования по реализации пульсирующих рабочих процессов в реактивных двигателях // Вестник Московского авиационного института. 2017. Т. 24. № 4. С. 100-109.

3. Рябов А.А, Романов В.И., Куканов С.С, Шмотин Ю.Н., Габов Д.В. Расчетно-экспериментальный критерий динамической прочности корпуса газотурбинного двигателя при обрыве лопатки ротора // Вестник Московского авиационного института. 2015. Т. 22. № 3. С. 76-84.

4. Дорофеев Е.А., Дынников А.И., Каргопольцев А.В., Свириденко Ю.Н., Фадеев А.С. Применение искус­ственных нейронных сетей для обработки и анализа данных аэродинамического эксперимента // Ученые записки ЦАГИ. 2007. Т. XXXVIII. № 3-4. С. 111-118.

5. Филатова Т.В. Применение нейронных сетей для аппроксимации данных // Вестник Томского государственного университета. 2004. № 284. С. 121-125.

6. Рейзлин В.И. Численные методы оптимизации: Учебное пособие. – Томск: Изд-во Томского политехнического университета, 2011. – 105 с.

7. Матющенко Н.С., Копырин А.С. Применение искусственных нейронных сетей для моделирования спроса на досуговые и развлекательные услуги // Известия Сочинского государственного университета. 2012. № 3(21). С. 51-62.

8. Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах // Российский журнал биомеханики. 2011. Т. 15. № 3(53). С. 45-51.

9. Абашев О.В., Куприков М.Ю. Применение искусственных нейронных сетей при проектировании самолетов // Вестник Московского авиационного института. 2008. Т. 15. № 5. С. 27-33.

10. Игнатьев Д.И. Применение искусственных нейронных сетей для моделирования аэродинамических характеристик треугольного крыла // Вестник Московского авиационного института. 2010. Т. 17. № 6. С. 5-12.

11. Брусов В.С., Тюменцев Ю.В. Синтез оптимального ансамбля нейроконтроллеров для многорежимного летательного аппарата // Вестник Московского авиационного института. 2006. Т. 13. № 2. С. 67-78.

12. Блинов А.О., Фраленко В.П. Многомерная аппроксимация в задачах моделирования и оптимизации // Автоматика и телемеханика. 2009. № 4. С. 98–­109.

13. Коробкова С.В. Проблемы эффективной аппроксимации многомерных функций с помощью нейронных сетей // Известия ТРТУ. 2006. № 3(58). С. 121-127.
    

14. Боровиков В.П. Нейронные сети Statistica Neural Networks: Методология и технологии современного анализа данных: Учебное пособие. – 2-е изд., перераб. и доп. – М.: Телеком, 2008. – 392 с.

15. Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. 2011. Т. 1. № 1. С. 16-39.

16. Bishop C.M. Neural Networks for Pattern Recognition. – Oxford University Press, USA, 1995. – 502 p.

17. Гулаков К.В. Выбор архитектуры нейронной сети для решения задач аппроксимации и регрессионного анализа экспериментальных данных // Вестник Брянского государственного технического университета. 2013. № 2(38). С. 95-105.

18. Беляев М.Г., Приходько П.В., Бурнаев Е.В., Бернштейн А.В. Аппроксимация многомерной зависимости с помощью градиентного усиления регрессионной нейронной сети и ее применение в быстром методе аэродинамического расчета для задач проектирования // Математическое моделирование и программное обеспечение: Сборник трудов конференции молодых учёных (Санкт-Петербург, 14-17 апреля 2009). – М: Изд-во ИТМО, 2009. Вып. 4. С. 46-51.

19. Калацкая Л.В., Новиков В.А., Садков В.С. Организация и обучение искусственных нейронных сетей: Учебное пособие. – Минск: БГУ, 2002. – 76 с.

20. Сорокин В.А. (ред.). Проектирование и отработка ракетно— прямоточных двигателей на твердом топливе: Учебное пособие. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2016. С. 9-63.

21. Хайкин С.О. Нейронные сети: полный курс. — 2-е изд. / Пер. с англ. и ред. Н.Н. Куссуль. – М.: ИД «Вильямс», 2016. – 1104 с.