Вплив функції активації лінійної нейронної мережі на апроксимацію даних основних каналів керування реактру синтезу оцтової кислоти.
No Thumbnail Available
Files
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
СНУ ім. В. Даля
Abstract
Штучні нейронні мережі будуються за принципами організації та функціонування їх біологічних аналогів. Вони можуть вирішувати широке коло завдань розпізнавання образів, ідентифікації, прогнозування, оптимізації керування складними об'єктами. Подальше підвищення продуктивності комп'ютерів дедалі більше пов'язують із штучними нейронними мережами, зокрема нейрокомп'ютерами. Нині з'являється більше інтелектуальних систем керування технологічними процесами у хімічної промисловості, у яких вирішуються завдання адаптації, самонавчання, самоналаштування. Для вирішення завдання керування технологічними процесами в хімічній промисловості використовуються багатошарові лінійні нейронні мережі зі зворотним розповсюдженням помилки. Для побудови багатошарової мережі для проміжного шару часто використовують функції активації типу логічної (logsig) або гіперболічного тангенсу (tansig), а для кінцевого шару використовується лінійна функція активації (purelin). У цій роботі для побудови та дослідження властивостей нейронної мережі використовувалися статистичні дані реального реактора синтезу оцтової кислоти, який працює у стаціонарному режимі в цеху оцтової кислоти,. Для моделювання використовувалося середовище програмного симулятора MATLAB 2021. Ця програма рекомендована для моделювання різних нейронних мереж із різною кількістю нейронів і різним типом функції активації. В даній роботи була побудована і досліджена лінійна нейронна мережа зі зворотним поширенням помилки з фіксованою кількістю нейронів першого шару за основними каналами керування реактором синтезу оцтової кислоти. В роботі досліджувався вплив функцій активації першого шару та кінцевого шару нейронної мережі на апроксимацію даних реактора синтезу оцтової кислоти. Архітектура нейронної мережі перший шар містить 23 нейрона. Функція активації нейронів змінюється. Спочатку це функція hardlim, потім функція tansig, потім функція logsig і purelin. Другий шар містить один нейрон також з різними функціями активації: hardlim, tansig, logsig і purelin. Діапазон зміни входу [8900-9800]. Моделювання нейромережі з використанням MATLAB 2021 показало успішність процесу побудови та навчання нейронної мережі та його задовільну якість, яка дозволить використовувати нейромережі для керування технологічними процесами синтезу оцтової кислоти та перспективність подальших досліджень цього напряму.
Artificial neural networks are built according to the principles of organization and functioning of their biological counterparts. They can solve a wide range of tasks of pattern recognition, identification, forecasting, optimization of management of complex objects. Further improvements in computer performance are increasingly associated with artificial neural networks, in particular neurocomputers. Nowadays, there are more intelligent systems for controlling technological processes in the chemical industry, which solve the tasks of adaptation, self-learning, and self-adjustment. To solve the problem of controlling technological processes in the chemical industry, multilayer linear neural networks with backpropagation of the error are used. To build a multilayer network, activation functions of the log (logsig) or hyperbolic tangent (tansig) type are often used for the intermediate layer, and a linear activation function (purelin) is used for the final layer. In this work, statistical data of a real reactor for the synthesis of acetic acid, which works in a stationary mode in an acetic acid workshop, was used to construct and study the properties of a neural network. MATLAB 2021 software simulator environment was used for simulation. This program is recommended for simulating different neural networks with different number of neurons and different type of activation function. In this work, a linear neural network with backpropagation of error with a fixed number of neurons of the first layer along the main control channels of the acetic acid synthesis reactor was constructed and investigated. The work investigated the influence of the activation functions of the first layer and the final layer of the neural network on the approximation of the data of the acetic acid synthesis reactor. The architecture of the neural network, the first layer contains 23 neurons. The activation function of neurons changes. First it's the hardlim function, then the tansig function, then the logsig function and purelin. The second layer contains one neuron also with different activation functions: hardlim, tansig, logsig and purelin. Input change range [8900-9800]. Neural network modeling using MATLAB 2021 showed the success of the process of building and training a neural network and its satisfactory quality, which will allow the use of neural networks to control the technological processes of acetic acid synthesis and the prospects for further research in this direction.
Artificial neural networks are built according to the principles of organization and functioning of their biological counterparts. They can solve a wide range of tasks of pattern recognition, identification, forecasting, optimization of management of complex objects. Further improvements in computer performance are increasingly associated with artificial neural networks, in particular neurocomputers. Nowadays, there are more intelligent systems for controlling technological processes in the chemical industry, which solve the tasks of adaptation, self-learning, and self-adjustment. To solve the problem of controlling technological processes in the chemical industry, multilayer linear neural networks with backpropagation of the error are used. To build a multilayer network, activation functions of the log (logsig) or hyperbolic tangent (tansig) type are often used for the intermediate layer, and a linear activation function (purelin) is used for the final layer. In this work, statistical data of a real reactor for the synthesis of acetic acid, which works in a stationary mode in an acetic acid workshop, was used to construct and study the properties of a neural network. MATLAB 2021 software simulator environment was used for simulation. This program is recommended for simulating different neural networks with different number of neurons and different type of activation function. In this work, a linear neural network with backpropagation of error with a fixed number of neurons of the first layer along the main control channels of the acetic acid synthesis reactor was constructed and investigated. The work investigated the influence of the activation functions of the first layer and the final layer of the neural network on the approximation of the data of the acetic acid synthesis reactor. The architecture of the neural network, the first layer contains 23 neurons. The activation function of neurons changes. First it's the hardlim function, then the tansig function, then the logsig function and purelin. The second layer contains one neuron also with different activation functions: hardlim, tansig, logsig and purelin. Input change range [8900-9800]. Neural network modeling using MATLAB 2021 showed the success of the process of building and training a neural network and its satisfactory quality, which will allow the use of neural networks to control the technological processes of acetic acid synthesis and the prospects for further research in this direction.
Description
Keywords
нейронні мережі, зворотне поширення помилки, реактор, eural networks, error back propagation, reactor
Citation
Поркуян О. В., Самойлова Ж. Г. Вплив функції активації лінійної нейронної мережі на апроксимацію даних основних каналів керування реактру синтезу оцтової кислоти. Вісник Східноукраїнського національного університету імені Володимира Даля. 2024. № 1 (281). С. 91-97.