Исследование архитектур нейронных сетей для определения концентраций газов по спектрам
https://doi.org/10.25205/1818-7900-2024-22-2-68-78
Аннотация
Исследованы нейронные сети разных архитектур с целью определения концентраций газов по спектрам, полученным с помощью оптического эмиссионного газоанализатора, который измеряет спектр электромагнитного излучения, испускаемого газами при возбуждении электрическим разрядом. Нейронная сеть обучается на данных из лаборатории по оптической спектроскопии и способна предсказывать концентрации газов по спектрам с высокой скоростью. Исследования касались архитектур глубокой нейронной сети со сверточными и рекуррентными слоями. Сверточные слои выделяют особенности спектров, а рекуррентные слои учитывают последовательную структуру данных. Качество работы нейронной сети оценивали по коэффициенту детерминации R2 , а сравнение между сетями проводили по показателю RMSE между предсказанными и реальными концентрациями газов.
Об авторах
А. Е. Щелоков
Новосибирский государственный университет; Институт автоматики и электрометрии СО РАН
Россия
Россия
Щелоков Александр Евгеньевич, магистрант кафедры компьютерных технологий факультета информационных технологий; инженер-программист
Новосибирск
К. И. Будников
Новосибирский государственный университет; Институт автоматики и электрометрии СО РАН
Россия
Россия
Будников Константин Иванович, кандидат технических наук, доцент кафедры компьютерных технологий факультета информационных технологий; старший научный сотрудник, заведующий тематической группы
Новосибирск
Список литературы
1. Чумаков B. M. Определение выбросов одоранта на узле одоризации газораспределительных станций // Газовая промышленность. Сер.: Подготовка, переработка и использование газа. Экспресс-информация. М.: ВНИИЭгазпром, 1987. С. 15–16.
2. Chen Q. et al. Feasibility study on identification of green, black and Oolong teas using nearinfrared reflectance spectroscopy based on support vector machine (SVM) // Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2007. Т. 66, № 3. С. 568–574.
3. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. Т. 382.
4. Caceres J. O. et al. Application of laser-induced breakdown spectroscopy (LIBS) and neural networks to olive oils analysis // Applied spectroscopy. 2013. Т. 67, № 9. С. 1064–1072.
5. Chengxu L. U. et al. Detection of K in soil using time-resolved laser-induced breakdown spectroscopy based on convolutional neural networks // Plasma Science and Technology. 2018. Т. 21, № 3. С. 034014.
6. Husam Alkinani, Abo Taleb Tuama et. al. Applications of Artificial Neural Networks in the Petroleum Industry: A Review // Proc.SPE Middle East Oil and Gas Show and Conference, March 2019. DOI: 10.2118/195072-MS
7. Karrenbach M., Essenreiter R., Treitel S. Multiple Attenuation With Attribute-based NeuralNetworks // Society of Exploration Geophysicists. January 2000. DOI: 10.1190/1.1815827
8. Aminzadeh F., Maity D., Tafti T. A., Brouwer, F. Artificial Neural Network Based Autopicker ForMicro-earthquake Data // Society of Exploration Geophysicist. Jan. 2011. DOI: 10.1190/1.3627514
9. Dashevskiy D., Dubinsky V., Macpherson J. D. Application of Neural Networks for Predictive Control in Drilling Dynamics // Society of Petroleum Engineers. Jan. 1999. DOI:10.2118/56442-MS
10. Ghahfarokhi P. K., Carr T., Bhattacharya S., Elliott J., Shahkarami A., Martin K. A FiberOpticAssisted Multilayer Perceptron Reservoir Production Modeling: A Machine Learning Approach in Prediction of GasProduction // Proc. Unconventional Resources Technology Conference, August 9, 2018. DOI: 10.15530/urtec-2018-2902641
11. Gholamreza Moradi, Majid Mohadesi, Mohammad Reza Moradi. Prediction of wax disappearance temperature usingartificial neural networks// Journal of Petroleum Science and Engineering. 2013. Vol. 108. P. 74–81. http://dx.doi.org/10.1016/j.petrol.2013.06.003
12. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Т. 521, № 7553. С. 436–444.
13. Аггаравал Ч. Нейронные сети и глубокое обучение: учебный курс. СПб.: Диалектика, 2020. 752 с.
Рецензия
Для цитирования:
Щелоков А.Е., Будников К.И. Исследование архитектур нейронных сетей для определения концентраций газов по спектрам. Вестник НГУ. Серия: Информационные технологии. 2024;22(2):68-78. https://doi.org/10.25205/1818-7900-2024-22-2-68-78
For citation:
Shchelokov A.E., Budnikov K.I. Study of Neural Network Architectures for Determining Gas Concentrations by Spectra. Vestnik NSU. Series: Information Technologies. 2024;22(2):68-78. (In Russ.) https://doi.org/10.25205/1818-7900-2024-22-2-68-78
Просмотров:
78
Послать статью по эл. почте 