Нейросетевое моделирование и разработка программного модуля с целью проведения анализа процессов горения твердых топлив на основе аммиачной селитры
Аннотация: В настоящей работе представлены результаты разработки и верификации усовершенствованной нейросетевой модели и реализующего ее программного модуля для прогнозирования ключевых характеристик горения смесевых твердых топлив на основе аммиачной селитры. В отличие от предыдущих исследований, модель учитывает расширенный набор из восьми входных параметров: состав (содержание окислителя, горючего и двух различных катализаторов), а также критически важные условия эксплуатации – плотность заряда, давление, начальную температуру и средний размер частиц окислителя. Искусственная нейронная сеть, обученная на расширенном массиве экспериментальных данных, демонстрирует высокую прогностическую точность (средняя относительная погрешность ~5%). Для подтверждения робастности и обобщающей способности модели проведена ее валидация на независимом наборе данных, взятых из сторонних литературных источников, где относительная ошибка не превышает 6,2%. С использованием разработанного модуля предложены физические интерпретации для нетривиальных зависимостей, наблюдаемых в ходе горения: резкий рост скорости горения при давлениях выше 94 МПа объясняется переходом от послойного к конвективному механизму горения, а значительное изменение объема газообразных продуктов связывается с изменением химического равновесия при высоких давлениях. Реализация модуля на Python обеспечивает удобство ввода входных параметров и визуализацию результатов – зависимостей скорости горения и объема газов от давления, размера частиц и плотности заряда. Продемонстрирована практическая применимость программного модуля для многопараметрического анализа и оптимизации составов топлив, что актуально для задач интенсификации добычи нефти и других технологических приложений.
Ключевые слова: программный модуль, смесевое твердое топливо, аммиачная селитра, нейросетевое моделирование, скорость горения, объем газообразных продуктов, размер частиц, начальная температура, валидация модели, конвективное горение.
Список литературы
• Mukhutdinov A.R. Development of a neural network programming module for predicting the strength properties of solid fuel / Mukhutdinov, A.R., Okulin M.V. // Chemical and Petroleum Engineering. – 2011. – Vol. 47 (3). – P. 266.
• Smith, J. & Brown, T. (2020). Neural Networks for Complex Systems Modeling: Applications in Chemical Engineering. . – New York: Academic Press, 2020. – 280 p.
• Lee, K., Kim, H. Deep Learning Approaches to Predict Nonlinear Dynamics in Environmental Processes // Journal of Computational Science. – 2021. – Vol. 45. – P. 101-115. DOI: 10.1016/j.jocs.2021.03.007.
• Искусственные нейронные сети: модели и приложения / Под ред. А. Н. Герасимова. — М.: Наука, 2021. – 256 с.
• Захаров, В.П., Смирнова, Л.А. Применение ИНС в прогнозировании сложных систем / В. П. Захаров, Л. А. Смирнова // Вестник информационных технологий. – 2020. – № 4. – С. 45–58.
• Brown, T. Neural Networks and Deep Learning. – New York: Springer, 2019. – 320 p.
• Мухутдинов А.Р., Садыков М.И., Ефимов М.Г., Сафиуллин Р.И. Моделирование процесса горения смесевого твердого топлива с использованием современных информационных технологий // Вестник технологического университета. – 2017. – Т. 20, № 19. – С. 82-84.
• Павлов Б.Д., Коваленко Е.П., Сусла А.П., Дмитриева В.А. Исследование процессов разложения и горения смесей аммиачной селитры с активным углем // Известия Санкт-Петербургского государственного технологического института (технического университета). – 2023. – №
Реализация программного обеспечения модуля осуществлена на языке Python с применением фреймворка Tkinter для разработки графического интерфейса пользователя (GUI) базового уровня. Архитектура нейронной сети воплощает многоуровневую топологию [9-11], осуществляющую нелинейное преобразование входных векторов (химический состав, плотность среды, давление) в прогнозируемые выходные параметры (кинетика процесса горения, количественные показатели газофазных продуктов). Процедура оптимизации модели была направлена на минимизацию целевой функции, выражающей среднеквадратичное отклонение между предсказанными и эталонными значениями в пространстве обучающих данных.
Методология разработки программного комплекса включала последовательность формализованных этапов:
1. Формализация требований. Систематизация входных переменных (концентрация окислительных агентов, горючих компонентов, каталитических добавок, термодинамические параметры среды) и выходных