Таблица 1. Экспертная матрица знаний прогнозной урожайности хлопчатника
2. Решение системы дифференциальных уравнений в частных производных функции 𝐹
172
Необходимость решения задач квантовой химии [14], [17], изучение теории суперструн [4], а также многочисленных задач газовой динамики стимулировала развитие теории специальных функций одной и нескольких переменных. Задачи газодинамики приводят к решению вырожденных уравнений в частных производных второго порядка, которые выражаются с помощью гипергеометрических функций нескольких переменных [2], [7]. Поэтому при исследовании краевых задач для этих уравнений с частными производными, нам нужно изучить решение системы гипергеометрических функций и найти явные линейно независимые решения [3], [8- 13], [15]. Экстон ввел 21 гипергеометрическую функцию четырех переменных класса
1 21
K K [6], позже Шарма и Парихар [16] ввели 83 гипергеометрические функции четырех переменных с различными параметрами. Предметом изучения данной работы является нахождение линейно независимых решений системы уравнений, записанных в явном виде для функции 𝐹 :
1 2
4
10 1 2 1 2 3
, , , 0 1 2 3
, , ; , , ; , , ,
! ! ! !
m n p q
m n p q m n p q
m n p q m p n q
a a b x y z t
F a a b c c c x y z t
c c c m n p q
(1.1)где ci 0, 1, 2, 3,..;где i1,...,3.
2. Решение системы дифференциальных уравнений в частных
173
2
1 1 1 1 1 1
2
1 2 1 1 1 1
2
1 2 1
1 1 0,
1 2
1 1 0,
1 1
xx yy xy xz xt yz yt
x y z t
yy xx xy xz xt yz yt
x y z t
zz tt
x x u y u xyu x zu xtu yzu ytu
c a b x u a b yu a zu a tu a bu
y y u x u xyu xzu xtu yzu ytu
a b xu c a b y u a zu a tu a bu
z z u t u x
2 2 1 2 2 2
2
2 2 2 3 2 2
2
1 1 0,
1 2
1 1 0.
xz xt yz yt zt
x y z t
tt zz xz xt yz yt zt
x y z t
z u xtu yzu ytu ztu
a xu a yu c a b z u a b tu a bu
t t u z u xzu xtu yzu ytu ztu
a xu a yu a b zu c a b t u a bu
(2.2)
Нужно отметить, что три уравнения системы (2.2) будут линейно зависимы, так как 𝐹 удовлетворяет системе (2.2). Линейно независимые решения будем искать в виде:
u x y z t w , (2.3) гдеwнеизвестная функция, , , , – константы, которые необходимо определить.
Подставляя x y z t w вместо u в (2.2), получаем следующую систему уравнений:
2
1
1 1 1 1
1
1 1 1
2
1 2 1 1
1
1 2 1
1 1
1 0,
1 2
1 1
xx yy xy xz xt yz yt
x y z
t
yy xx xy xz xt yz yt
x y z
x x w y w xyw x zw xtw yzw ytw
C A B x w A B yw x A zw
A tw c x A B w
y y w x w xyw xzw xtw yzw ytw
A B xw C A B y w A zw
A t
1
2 1
2 1
2 2 1 2 2
1
1 2
2
2 2 2
1 0,
1 1 2
1 1
1 0,
1 2
t
zz tt xz xt yz yt zt
x y z t
tt zz xz xt yz yt zt
x y
w c y A B w
z z w t w x z w xtw yzw ytw ztw
z A xw A yw C A B z w A B tw
c z A B w
t t w z w xzw xtw yzw ytw ztw
A xw A yw A
3 2
1
3 2
1 1
1 0,
z t
B zw C A B t w
c t A B w
(2.4)
)
где
1 1 2 2 3 3
1 1 2 2
, 2 , 2 ,
, , .
C c C c C c
A a A a B b
(2.5)
174
Система (2.4) совпадает с системой (2.2) при выполнении следующих условий:
1
2
1
3
0, 0,
1 0, 1 0,
1 0, 1 0.
c c c c
(2.6)
Решения системы (2.6) могут быть записаны в виде четырех комбинаций:
1 2 3 4
: 0 0 0 0
: 0 1c2 0 1c2
: 0 0 0 0
: 0 0
1c3 1c3
(2.7) Таким образом, подставляя 4 решения из (2.7) в (2.3) и проводя упрощения, получим линейно независимые решения системы дифференциальных уравнений четырех переменных второго порядка (2.2) в виде следующих гипергеометрических функций:
4
1 10 1 2 1 2 3
1 2
, , , 0 1 2 3
, , , , , ; , , ; , , ,
! ! ! !
m n p q
m n p q m n p q
m n p q m p n q
u x y z t F a a b c c c x y z t
a a b x y z t
c c c m n p q
(2.8)
2
2
1 4
2 10 1 2 2 2 1 2 3
1 2 2 2
1
, , , 0 1 2 3
, , , 1 , , 1 ; , 2 , ; , , ,
1 1
2 ! ! ! !
c
m n p q
m n p q m n p q
c
m n p q m p n q
u x y z t y F a c a b c c c c x y z t
a c a b c x y z t
y c c c m n p q
(2.9)
3
3
1 4
3 10 1 2 3 3 1 2 3
1 2 3 3
1
, , , 0 1 2 3
, , , , 1 , 1 ; , , 2 ; , , ,
1 1
2 ! ! ! !
c
m n p q
m n p q m n p q
c
m n p q m p n q
u x y z t t F a a c b c c c c x y z t
a a c b c x y z t
t c c c m n p q
(2.10)
3 2
3 2
4 1 4 1
10 1 2 2 3 2 3 1 2 3
1 2 2 3 2 3
1 1
, , , 0 1 2 3
, , ,
1 , 1 , 2 ; , 2 , 2 ; , , ,
1 1 2
2 2 ! ! ! !
c c
m n p q
m n p q m n p q
c c
m n p q m p n q
u x y z t
y t F a c a c b c c c c c x y z t
a c a c b c c x y z t
y t
c c c m n p q
(2.11)
175 Список литературы
[1] Appell P., Kamp´e de F´eriet J. Fonctions Hyperg´eom´etriques et Hypersph´eriques, Gauthier-Villars, Paris, 1926, 440 p.
[2] Bers L. Mathematical Aspects of Subsonic and Transonic Gas Dynamics, JohnWiley & Sons, New York, 1958, 176 p.
[3] Bin-Saad M.G., Hasanov A. Linear Independent Solutions and Operational Representations for Hypergeometric Functions of Four Variables, // Hindawi Publishing Corporation, Chinese Journal of Mathematics, V.2014, (Article ID 273064), 6 p., 2014, http://dx.doi.org/10.1155/2014/273064.
[4] Candelas P., de la Ossa X., Greene P., Parkes L. A pair of Calabi- Yau manifolds as an exactly soluble superconformal theory // Nucl, Phys, V.B539, 1991, pp. 21-74.
[5] Erd´elyi A., Magnus W., Oberhettinger F., Tricomi F.G. Higher Transcendental Functions, V. I, Mc Graw Hill, New York, Toronto and London, 1953.
[6] Exton H. Multiple Hypergeometric Functions and Applications, Halsted Press, London, 1976.
[7] Франкль Ф.И. Избранные труды по газовой динамике, Наука, Москва, 1973.
[8] Hasanov A. Fundamental solutions for degenerated elliptic equation with two perpendicular lines of degeneration // International Journal of Applied Mathematics and Statistics, V. 13, N. 8, 2008, pp. 41-49.
[9] Hasanov A. Fundamental solutions of generalized bi-axially symmetric Helmholtz equation // Complex Variables and Elliptic Equations, V. 52, N. 8, 2007, pp. 673- 683.
[10] Hasanov A., Karimov E.T. Fundamental solutions for a class of three- dimensional elliptic equations with singular coefficients // Applied Mathematics Letters, V.
22, N. 12, 2007, pp.1828-1832.
[11] Hasanov A., Rassias J.M., Turaev M. Fundamental solution for the generalized Elliptic Gellerstedt equation // Functional Equations, Difference Inequalities and ULAM Stability, V. 6, pp. 73-83, Nova Science Publishers, New York, 2010.
[12] Hasanov A. Some solutions of generalized Rassias’s equation // International Journal of Applied Mathematics and Statistics, V. 8, N. 7, 2010, pp. 20-30.
[13] Hasanov A. The solution of the Cauchy problem for generalized Euler-Poisson- Darboux equation // International Journal of Applied Mathematics and Statistics, V. 8, N. 7, 2007 pp. 30-44.
[14] Niukkanen A.W. Generalised hypergeometric series NF(x1, . . . , xN) arising in physical and quantum chemical applications // J. Phys. A: Math., Gen. N. 16, 1983, pp. 1813- 1825.
[15] Salakhitdinov M.S., Hasanov A. A solution of the Neumann-Dirichlet boundary value problem for generalized bi-axially symmetric Helmholtz equation // Complex Variables and Elliptic Equations, V. 53, N. 4, 2008, pp. 355-364.
[16] Sharma, C., Parihar C.L. Hypergeometric functions of four variables // Indian Academy of Mathematics, V. 11, 1989, pp. 121-133.
[17] Srivastava H.M. A class of generalised multiple hypergeometric series arising in physical and quantum chemical applications // J. Phys. A: Math. Gen. V. 18, 1985, pp. 227- 234.
[18] Srivastava H.M., Karlsson P.W. Multiple Gaussian Hypergeometric Series, Halsted Press, Ellis Horwood, Chichester, UK; JohnWiley & Sons, New York, 1985.
176
Бердышев Абдумаувлен Сулейманович д.ф.-м.н., профессор Института математики, физики и информатики Казахского Национального педагогического университета имени Абая и Института информационных и вычислительных технологий 0500012, ул. Толе би , 86, Алматы, Казахстан, e-mail: [email protected] Рыскан Айнур докторант Института математики, физики и информатики Казахского Национального педагогического университета имени Абая 0500012, ул. Толе би , 86, Алматы, Казахстан, e-mail: [email protected]
ИССЛЕДОВАНИЕ ПРОЦЕССОВ ТЕПЛОМАССОПЕРЕНОСА ПРИ ЭЛЕКТРОННО-ЛУЧЕВОЙ СВАРКЕ
1Блейхер Г.А., 1Кривобоков В.П., 2Байдикова Н.В.
1 Национальный исследовательский Томский политехнический университет, Россия
2 Карагандинский государственный индустриальный университет, Казахстан e-mail: [email protected]
Аннотация. Исследованы процессы тепломассопереноса при воздействии на металл остросфокусированных электронных пучков. Сварка с использованием концентрированных пучков электронов получила широкое распространение в автомобильной, авиационной, космической, энергомашиностроительной и других отраслях промышленности. Преимущество данной технологии заключается в том, что имеется возможность получения глубоких и узких сварных швов с минимальной зоной термического влияния, что позволяет сваривать большие толщины за один проход. Выполненные расчеты позволяют определить время существование жидкой фазы, глубину и ширину проплавления, скорости нагрева и охлаждения, рассчитать испарившуюся массу материала изделия при сварке электронным лучом
В настоящее время существует потребность в высокоэффективных способах сварки, позволяющих получать качественные прецизионные соединения и изделия точной механики. К таким технологиям относится обработка электронным пучком.
Сварка с использованием концентрированных пучков электронов получила широкое распространение в автомобильной, авиационной, космической, энергомашиностроительной и других отраслях промышленности.
Преимущество данной технологии заключается в том, что имеется возможность получения глубоких и узких сварных швов с минимальной зоной термического влияния, что позволяет сваривать большие толщины за один проход. Процесс ведется в вакууме, который обеспечивает защиту зону сварки от воздействия различных газов.
С развитием новых систем управления электронным лучом и программирования режимов сварки, значительно расширились возможности совершенствования технологических приемов электронно-лучевой сварки, обеспечивающих разнообразие режимов воздействия луча на поверхность обрабатываемой детали.
177
Чтобы понимать, как управлять качеством процесса, необходимо знать механизмы, которые при этом происходят. Совокупность таких фундаментальных процессов, как тепло- и массоперенос лежат в основе электронно-лучевой сварки и определяют в итоге конечный результат – фазовые состояния, прочность, твердость, пластичность.
Все расчёты и эксперименты выполнены на примере высокотехнологичного алюминиевого сплава марки 1370 (система Al-Mg-Si-Cu), [1]. Химический состав сплава представлен в таблице 1.
Таблица 1. Химический состав сплава марки 1370 (система Al-Mg-Si-Cu)
Элементы сплава Al Mg Si Mn Cu Zn
Содержание, % 93,1 1,74 1,11 0,95 1,9 1,19
В последнее время он получил широкое распространение в подобных изделиях благодаря тому, что обладает хорошей технологической пластичностью при горячей и холодной деформации, значительной прочностью, высоким сопротивлением по отношению к многоцикловой усталости и другими полезными характеристиками. Эти свойства позволяют производить из него путём сварки корпуса с толщиной стенки всего 0,5 мм. Изделия из него заметно легче, чем изготовленные из традиционных алюминиевых сплавов.
Многообразие процессов, протекающих при высоких скоростях и температурах, таких как плавление, испарение, распыление затрудняет их экспериментальное изучение и выработку рациональных режимов сварки. В этом случае для изучения параметров процесса можно использовать моделирование и численный эксперимент.
Большое значение имеет возможность прогнозирования таких важных параметров, как распределение температурных полей в свариваемом изделии, формы и размеры сварного шва и зоны термического влияния, температурно-временные параметры процесса сварки для различных участков сварного соединения, скорости нагрева и охлаждения.
Расчёт пространственного распределения поля температур в зоне расплава.
Промоделируем распределение тепла в объеме алюминиевого образца при его облучении электронным пучком. Для расчетов положим источник тепла поверхностным. В качестве начальных условий примем, что температура образца во всем объеме – комнатная.
Основными допущениями модели являются: отсутствие теплообмена с окружающей средой (процесс проводится в вакууме).
Постановка задачи для расчета пространственно-временного поля температур и скорости фронта испарения в цилиндрических координатах имеет следующий вид:
2 2
2 2
( , , ) ( ( , , ) 1 ( , , ) ( , , ) ( , , )
( , ) ( )
исп
E z r t E z r t T z r t T z r t T z r t
v r t
t z r r r z
где E(z,r,t), T(z,r,t) - распределение тепловой составляющей внутренней энергии и температуры в облучаемом образце, R – радиус пучка; r- ширина образца; z- глубина.
Температура плавления и кристаллизации находится из следующих соотношений:
178
/ ,
( , , ) ,
( ( )) / ,
m
m m m m
m m m m m
E c E E
T z r t Т E E E q
Т E E q c E E q
1. Начальные условия:
T(z, r)= T0 (T0 = 300 К) На оси OZ: 0
r
T Граничные условия:
1. На облучаемой поверхности:
2.
( , ) 4
( , )
beam p исп
T r t
q r t T q
z
( , )
z h rad
T r t z q
( , )
r R rad
T z t r q
Решение задачи выполнено методом конечных разностей по явной схеме для уравнений параболического типа. Вычисления производим на слоях по времени с шагом τ и по пространственным координатам hz =
n
H и hr = m
R , где n и m – количество расчетных ячеек по глубине z и радиусу r. Расчет производим в центре ячеек. Время наблюдения (количество слоев) задаем по необходимости. Чтобы численное решение сходилось к решению дифференциальной задачи, достаточно выполнения условия устойчивости разностной схемы:
2 2
1 2 1
z
r h
h c
. Вид равномерной
пространственной сетки представлен на рисунке 1.
. I
r
I - облучаемая поверхность
II - осевая сторона III - внешняя боковая сторона
IV - задняя поверхность
Рисунок 1. Равномерная пространственная сетка 0 j m-1
. . . . . . . . i
II
. .
III .
. . . n-1 .
IV
179 Рассмотрим алгоритм решения:
Тепловая составляющая на новом шаге по времени: для внутренней области
1< < m - 2, 1< i< n - 2j
1, 1, , 1 , 1 , 1 , , 1
, ,
1, , 1,
( ) 1 2 1
2 2
2 1
i j i j i j i j i j i j i j
j
z j r r r
N
i j i j
i j i j i j
z z
E E T T T T T
v h r h h h
Е Е
T T T
h h
ЕN и E – тепловые составляющие внутренней энергии на старом и новом слоях по времени соответственно.
Для учета потока на облучаемой поверхности вводим виртуальную ячейку Е-1. ( , ) 4
( , )
beam p исп
T r t
q r t T q F
z
0 1 0 1
1 0
; ; z
z z
T T Е E c F c F
F E Е h
h h
На поверхности z = 0 реализуются граничные условия II рода. Для области при i=0, 1< < m - 1j запишем:
1, 0, 0, 1 0, 1
0, 0,
0, 1 0, 0, 1 1, 0,
2
( ) 1
2 2
2 1
s
j j j z j j
j
z j r
N
j j
j j j j j s
j
r z z
E E c F h T T
v h r h
Е Е
T T T T T
h h F h
При i0, j m 1 записываем предыдущее уравнение, но с учетом излучения на смежной границе III. Рассуждая аналогичным образом, решаем уравнения при других краевых условиях. Расчет скорости испарения производили по уравнению Герца-Кнудсена. При этом принимали во внимание величину давления паров вещества мишени на поверхность, то есть задавали соответствующие газодинамические условия.
Произведен расчет температурного поля, получены зависимости толщины испарившегося слоя для алюминиевого сплава 1370 от плотности тока пучка и скорости сканирования с ускоряющим напряжением E0 = 28 кэВ.
Обращает на себя внимание то, что область повышенных значений температуры сосредоточена в тонком приповерхностном слое и слабо расширяется с течением времени облучения, в то время как максимальная температура заметно растет.
Полученные в расчетах размеры расплавленной области находятся в удовлетворительном согласии с экспериментом.
180
Рисунок 2 – Температурное поле образца: Рисунок 3 – Зависимость толщины при dbeam=250 мкм, U=28 кВ, I=45 мА, V=10 мм/с испарившегося слоя от скорости
сварки
В основе всех явлений, вызываемых в твердом теле воздействием мощных пучки заряженных частиц, лежат процессы диссипации энергии, выделенной в приповерхностном слое вещества. Основными каналами диссипации излучения является теплопроводность, фазовые переходы и эрозия вещества
В результате проделанной работы были исследованы процессы тепломассопереноса при воздействии на металл остросфокусированных электронных пучков. Выполненные расчеты позволяют определить время существование жидкой фазы, глубину и ширину проплавления, скорости нагрева и охлаждения, рассчитать испарившуюся массу материала изделия при сварке электронным лучом.
Для проверки расчетных данных были проведены эксперименты на электронной пушке с плазменным катодом. Подобраны режимы сварки корпуса гироскопа из алюминиевого сплава марки 1370: скорость сварки 25 мм/с, ускоряющее напряжение 28 кВ, плотность тока сварки 255 А/см2, длина сварного соединения 973 мм. При данных параметрах масса корпуса гироскопа уменьшится на 170 мг.
Литература
1. ТУ 1-804-398-2002 Листы из алюминиевого сплава марки 1370.
2. Блейхер Г.А., Кривобоков В.П. Эрозия поверхности твердого тела под действием мощных пучков заряженных частиц. / Г.А. Блейхер, В.П. Кривобоков. – Новосибирск: Наука, 2014. - 248 с.
3. Блейхер Г.А., Кривобоков В.П. Модель расчета производительности технологий осаждения покрытий с помощью мощных импульсных пучков заряженных частиц. / Г.А. Блейхер, В.П. Кривобоков. // Известия вузов. Физика. – 2011. Т. 54, №11/2. - С. 142-147.
4. Аброян И.А., Андронов А.Н., Титов А.И. Физические основы электронной и ионной технологии. / И.А. Аброян, А.Н. Андронов, А.И. Титов. – М.: Высшая школа, 1984. - 320 с.
5. Грацианов Ю.А., Путимцев Б.Н., Молотилов В.В. Металлургия прецизионных сплавов. / Ю.А. Грацианов, Б.Н. Путимцев, В.В. Молотилов - М.: Металлургия, 1975.
- 448 с.
181
МОДЕЛЬ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ АГРОПРОДУКТОВ
Бурибаев Ж.А., Елеусинов А.И., Джолдасбаев С.К.
Институт информационных и вычислительных технологий, Алматы Аннотация. В данной статье рассмотрены модели и алгоритмы сверточных нейронных сетей для распознавания агропродуктов. Усовершенствована модель VGG16 для корректной классификации. Своевременная уборка агропродуктов и доставка до потребителей в свежем виде является проблемой в сельскохозяйственном секторе. Более быстрая и качественная уборка агропродуктов могло бы помочь решить данную проблему, в то же время существенно снижая экономические потери. Использование сверточных нейронных сетей позволило агророботам повысить точность обнаружения и распознавания объектов. Современные модели сверточных нейронных сетей обучаются по очень крупным задачам классификации изображении. При использовании данных моделей для идентификации агропродуктов (томат, арбуз, тыква и т.д.) возникает проблемы с классификацией, потому что эти агропродукты не были изучены моделями. В статье предлагается модель нейронных сетей, которая идентифицирует агропродукты. Нашей задачей является разработать эффективную модель нейронных сетей для распознавания агропродуктов. В работе рассматривается четыре основных моделей распознавания. А также предлагается метод для увеличения точности распознавания агропродуктов, описываются полученные результаты.
Ключевые слова: распознавания объектов, сверточные нейронные сети, классификация изображений, VGG16.
Введение. Распознавание объектов было движущей мотивацией для исследований в области компьютерного зрения на протяжении многих лет. Недавний прогресс в этой области позволил распознать масштабирование с нескольких экземпляров объектов в контролируемых настройках до сотен категорий объектов в произвольных средах.
В этой статье применяются модели, обученные на больших наборах данных, таких как ImageNet [1] и его применение для нашей задачи.
Обучать только одну модель сверточных нейронных сетей (CNN) для разных объектов является сложной задачей и нуждаются пройзводительных мощностей, когда существует много классов, и объекты различаются по размеру, форме, внешнему виду и другим качествам. Поскольку модель не обладает сложностью, необходимой для моделирования таких больших вариаций в данных.
Несмотря на то, что теоретически можно моделировать любую функцию, используя только один скрытый слой, но количество нейронов, необходимых для этого, было бы очень большим, что затрудняло бы обучение сети. Таким образом, мы используем глубокие сети со многими скрытыми слоями, которые пытаются изучить разные функции на разных уровнях.
Глубокие сети имеют большое количество неизвестных параметров в очень больших количествах [2]. Задачей обучения сети является поиск оптимальных параметров с использованием данных обучения. Для точного нахождения всех
182
неизвестных параметров нам понадобится много данных. Если у нас очень мало данных, мы получим только приблизительные значения для большинства параметров, которые нам не нужны. Проблема в том, что трудно получить такие огромные помеченные наборы данных для обучения сети.
Другая проблема, связанная с глубокими сетями, заключается в том, что даже если вы получаете данные для обучения сети, может потребоваться много времени, усилий и других затрат для получения удовлетворительных результатов.
Можно использовать уже подготовленные модели на очень больших объемах данных для сложных задач с тысячами классов. Многие исследовательские группы разделяют модели, которые они подготовили для таких наборов данных, как ImageNet.
Модели прошли обучение на миллионах изображений и сотни часов на мощных графических процессорах. Чаще всего мы используем эти модели в качестве отправной точки для нашего обучения, чтобы не обучать нашу собственную модель с нуля.
Существует множество моделей, таких как AlexNet, VGGNet, Inception, ResNet, Xception и многие другие, которые мы можем выбрать, для нашей задачи. Многие исследовательские группы также делят свои модели, которые они подготовили для подобных задач, например, MobileNet, SqueezeNet и т. д. [3]. Эти сети обучаются для классификации изображений в одной из 1000 категорий или классов.
При работе использовалась библиотека Keras, которая поставляется в комплекте со многими моделями. Обученная модель состоит из двух частей: модельной архитектуры и весов моделей. Весы – это большие файлы, и поэтому они не связаны с Keras. Тем не менее, файл весов автоматически загружается один раз, если указывается, что следует загрузить веса, прошедшие обучение по данным ImageNet.
Он имеет следующие модели:
VGG16
InceptionV3
RESNET
MobileNet
Для тестирования были применены данные модели неиронных сетей, получены результаты, указанные в таблице-1.
Таблица-1 – Применение моделей для распознавания агропродуктов
Апельсин Томат Арбуз Тыква
VGG16 0.89 0.51 0.63 0.28
InceptionV3 0.84 0.84 0.41 0.46
RESNET 0.74 0.29 0.25 0.59
MobileNet 0.73 0.59 0.93 0.5
183
1-рис. – Результаты различных моделей
При сравнении итоговых данных видно то, что не были достигнуты желаемые результаты, так как вышеуказанные модели нейронных сетей смогли распознать только апельсин, остальные агропродукты не были распознаны. Для решения данной проблемы будет использована методика Transfer Learning и применена к нейронной сети модели VGG16.
2-рис. – Структура модели нейронной сети
184
Обучение модели изначально задается по очень крупным задачам классификации изображений. Сверточные слои действуют как экстрактор признаков, в то время как полностью связанные слои являются классификаторами (2-рис.). Так как модели объемные и работали с огромным количеством данных (изображений) как правило они изучают значимые дискриминационные функции. В данном случае сверточные слои могут быть использованы как экстрактор признаков или подготовленные сверточные слои могут быть настроены в соответствии нашей задачей, как тонкая настройка.
Как правило, если есть небольшой набор тренировок и проблема аналогична задаче, на которой обучены подготовленные модели, то можно использовать передачу обучения. Имея достаточное количество данных, есть возможность настройки сверточных слоев, для определения более надежных функции, которые относятся к нашей проблеме. Далее постараемся дать подробный обзор тонкой настройки и передачи обучения в Keras. ImageNetоснован на WordNet, задача которой группировать слова в наборы синонимов (synsets). Каждому synset присваивается определенный «wnid» – идентификатор Wordnet. Например, три разных синтезатора:
Red Tomato (sysnet = n02103406),
Yellow Tomato (sysnet = n02109150),
Green Tomato (sysnet = n02106854).
Далее перечислены wnid из 3 классов объектов, которые рассматриваються ниже.
n07734017 -> Tomato
n07735510 -> Pumpkin
n07756951 -> WaterMelon
Есть вероятность того, что данные будут очень шумные, т.е. много беспорядка, объекты закрытые и т.д. В работе использовалось около 250 изображений для каждого класса. Были созданы две директории: «поезд» и «валидация», чтобы использовать функции Keras для загрузки изображений. В работе были загружены предварительно подготовленные данные – модель VGG вместе с весами ImageNet. Следует отметить, что были загружены только сверточные слои. А последние два полностью связанных слоя, работающие как классификатор, не были загружены. Последний слой имеет форму 7х7х512. В качестве активационных функции была использована функция ReLU ((rectified linear unit, русс. «выпрямитель»). Данная функция активации имеет формулу f(x) = max(0, x) и реализует простой пороговый переход в нуле [9].
Результаты эксперимента подтверждают повышения качества распознавания, а также улучшения алгоритма VGG16.
3-рис. – Результаты проведенной работы по распознаванию агропродуктов
185
Заключение. Применение нейронных сетей в прикладных задачах становится все более актуальным направлением в современном мире науки и индустрии. Стоит отметить, что Агро промышленность также является источником ее актуальности. В данной работе рассматривалась задача распознавания агропродукта с применением нейронных сетей, был предложен метод по улучшению алгоритма. В дальнейшем планируется разработать вычисление координат расположения агропродуктов с целью создания программного комплекса для уборочных агро-роботов.
Литература
1. Maxime Oquab, Leon Bottou, Ivan Laptev, Josef Sivic. Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks, 2014 IEEE Conference on Computer Vision and Pattern Recognition, 1718-1724 с.
2. Anh Nguyen, Jason Yosinski, Jeff Clune. Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images, In Computer Vision and Pattern Recognition (CVPR ’15), IEEE, 2015.
3. M. Norouzi, M. Ranjbar and G. Mori, "Stacks of convolutional Restricted Boltzmann Machines for shift-invariant feature learning," 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, 2009, pp. 2735-2742.
4. Harvey jake g. opena, john paul t. yusiong. Automated tomato maturity grading using abc-trained artificial neural networks. Malaysian Journal of Computer Science, 2017.
5. Huang Y., Lee F. An automatic machine vision-guided grasping system for phalaenopsis tissue culture plantlets, Computers and Electronics in Agriculture, 42–51c.
6. Harrell R., Slaughter D., Adsit P. A fruit-tracking system for robotic harvesting, Machine Vision and Applications, 2, 69–80 c.
7. Liu Y., Chen B., Qiao J. Development of a machine vision algorithm for recognition of peach fruit in a natural scene, Transactions of the ASABE, 54, 695–702 c.
8. Jiang H., Peng Y., Ying Y. Measurement of 3-d locations of ripe tomato by binocular stereo vision for tomato harvesting, ASABE Annual International Meeting, 2018.
9. Yongjie C., Masateru N., Feng G., Kenji H., Osamu K., Masafumi, M. An automatic machine vision-guided grasping system for phalaenopsis tissue culture plantlets, Computers and Electronics in Agriculture, 2010, 42–51 c.
УДК 330.4
АНАЛИЗ ЭФФЕКТИВНОСТИ ЭНЕРГЕТИЧЕСКИХ ПЛАНТАЦИЙ Губий Е.В., Зоркальцев В.И.
Институт систем энергетики СО РАН
Аннотация. Обсуждаются экономические и экологические преимущества использования энергетических плантаций для обеспечения котельно-печным топливом отдаленных населенных пунктов. Особое внимание уделяется проблеме энергоснабжения байкальской туристско-рекреационной зоны. Представлены результаты исследования на основе экономико-математической модели анализа и оптимизации функционирования энергетических плантаций для топливоснабжения
186
отдаленных населенных пунктов. Экспериментальные исследования на модели показали, что при существующей ценовой ситуации топливоснабжение отдаленных населенных пунктов на основе создания энергетических плантаций может быть вполне рентабельным даже в Сибири. Обсуждается проблема выбора оптимального сочетания энергетических плантаций и привозного топлива. Рассмотрено влияние на экономическую эффективность объемов потребности в топливе, цены привозного издалека топлива, транспортного фактора, зависящего от конфигурации и требуемой площади энергетической плантации.
Ключевые слова: биотопливо, биомасса, возобновляемые источники энергии, топливоснабжение, экология, энергетические плантации, озеро Байкал.
1. Введение
При рассмотрении проектов по формированию «зеленой экономики» часто акцентируется внимание на необходимости их экономического поощрения из-за большой экологической и социальной значимости. Широко распространены идеи введения налоговых льгот, прямых государственных дотаций предприятиям и проектам, нацеленным на улучшение экологической ситуации. При этом упускается из виду, что такая «благотворительность» осуществляется за счет повышенных налогов с других предприятий, роста цен на продукцию и, нередко, игнорирования экономических интересов населения.
Перспективы развития мировой и российской экономики на ближайшие десятилетия связаны с развитием «зеленой экономики», которая подразумевает активное и рациональное использование возобновляемых ресурсов и источников энергии; снижение и, в идеале, прекращение выбросов парниковых газов, переход к
«безуглеродной» энергетике, в том числе для противодействия глобальному потеплению; снижение выбросов в окружающее пространство оксидов серы, азота, других вредных веществ; экономное использование ресурсов, подверженных истощению; органическое земледелие в сельском хозяйстве; сохранение и эффективное управление экосистемами.
Все это полностью соответствует идее создания специальных энергетических плантаций (ЭП) древесных или травянистых растений, биомасса c которых используется для целей энергетики. Тем более, что такие источники топлива не только экологичны, но и вполне могут быть рентабельны без привлечения государственных преференций.
Различают два вида ЭП по целевому назначению производимых энергоресурсов.
Одно из них – производство моторного топлива из специально выращиваемых для этих целей растений [3]. Другое направление, которое будет рассматриваться в данной статье, – ЭП по выращиванию котельно-печного топлива, предназначенного для отопления, коммунально-бытовых и производственных нужд.
Во многих странах мира успешно практикуется организованное выращивание древесины на специальных ЭП. В австрийском городе Зиммеринг расположена крупнейшая в Европе электростанция (мощностью 66 МВт), работающая на специально выращенной древесной биомассе. В Великобритании в графстве Северный Йоркшир на таком виде топлива работает ТЭС мощностью 10 МВт.
Крупные ЭП есть и в Швеции, Финляндии, Канаде, США и многих других странах.
В 2011 г. общая площадь, отведенная под энергетические культуры, в Европейском союзе составляла 2,6 млн га. Большая ее часть задействованы в Германии для выращивания культур, предназначенных для производства жидких видов топлива. Для выпуска твердых видов топлива из биомассы в Финляндии