СПОСОБ ОПРЕДЕЛЕНИЯ ХАРАКТЕРИСТИК ТЕПЛОФИЗИЧЕСКИХ И ДЕФОРМАЦИОННЫХ СВОЙСТВ БИНАРНОГО КОМПОЗИТА «ПЕСОК-ГРАНУЛЫ ВСПЕНЕННОГО ПОЛИСТИРОЛА» С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Российский патент 2024 года по МПК G01N25/18 G01N3/08 G01N33/38 

Изобретение относится к инженерно-геологическим изысканиям в строительстве, а именно к определению характеристик теплофизических и деформационных свойств бинарного композита (БК) «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети (ИНС).

Из существующего уровня техники известен способ определения физических и механических (прочностных и деформационных) характеристик всех грунтов по результатам статистической обработки данных лабораторных исследований (ГОСТ 20522-2012 «Грунты. Методы статистической обработки результатов испытаний»), включающий выделение инженерно-геологического и расчетного грунтового элементов на основе расчёта и последующего анализа коэффициента вариации; вычисление нормативных и расчетных значений характеристик грунтов путём последовательного определения нормативного значения характеристики грунта (принимают равным среднеарифметическому значению характеристики), выполнения статистической проверки для исключения возможных ошибок, вычисления коэффициента надежности по грунту и вычисления расчётного значения характеристик грунта на заключительном этапе.

Недостатком данного способа является необходимость принятия гипотезы о принадлежности данных лабораторных исследований нормальному закону распределения вероятностей.

Также известен способ определения характеристик методом статистической обработки группы результатов прямых многократных независимых измерений (ГОСТ Р 8.736—2011 «Измерения прямые многократные. Методы обработки результатов измерений. Основные положения»), включающий следующие операции: исключение известных систематических погрешностей из результатов измерений; вычисление оценки измеряемой величины; вычисление среднего квадратического отклонения результатов измерений; проверку наличия грубых погрешностей и их исключение при необходимости; проверку гипотезы о принадлежности результатов измерений нормальному распределению; вычисление доверительных границ случайной погрешности (доверительной случайной погрешности) оценки измеряемой величины; вычисление доверительных границ (границы) неисключенной систематической погрешности оценки измеряемой величины; вычисление доверительных границ погрешности оценки измеряемой величины.

Недостатком данного способа является необходимость принятия гипотезы о принадлежности данных лабораторных исследований нормальному закону распределения вероятностей для проверки наличия грубых погрешностей и их исключения при необходимости до самого этапа проверки гипотезы о принадлежности результатов измерений нормальному распределению.

Также известен способ определения характеристик теплофизических свойств с помощью эмпирических уравнений (РД 39-0147103-386-87 «Выбор расчётных значений коэффициента теплопроводности грунта при проектировании трубопроводов», стр. 6, ф-лы 2 и 3), использующих в качестве параметров плотность грунта, его влажность, плотность скелета грунта и эмпирические коэффициенты для некоторых регионов.

Недостатками данного способа являются региональная ограниченность использования предложенных эмпирических уравнений, учёт влияния на характеристику только двух независимых параметров: плотности грунта и его влажности, невозможность определения теплофизических свойств БК.

Также известен способ определения теплофизических свойств дисперсных материалов с помощью эмпирического уравнения (Чудновский А.Ф. Теплофизические характеристики дисперсных материалов / А.Ф. Чудновский. – Москва: Физматгиз, 1962. – 456 с.: ил., стр. 65, ф-ла 9), основанного на обработке данных по методу наименьших квадратов и учитывающего объёмный вес и размер зерна исследуемого материала.

Недостатками данного способа являются невозможность определения теплофизических свойств дисперсных композитных материалов и материалов, имеющих неоднородный гранулометрический состав, а также учет влияния только двух независимых характеристик дисперсных материалов (объемный вес и размер зерна).

Наиболее близким к заявляемому способу является способ определения физических свойств грунтов (RU 2585953), включающий отбор образца грунта, взвешивание и определение его объёма, высушивание и взвешивание высушенного образца, определение плотности и влажности образца грунта и расчёт по полученным значениям плотности и влажности грунта, и последующее определение требуемых физических свойств на основе этих экспериментально найденных значений с помощью предварительно построенных графиков.

Недостатками данного способа являются невозможность определения теплофизических свойств БК, а также материалов, имеющих неоднородный гранулометрический состав.

Задачей, на решение которой направлено изобретение, является обеспечение большей универсальности и точности определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола».

Техническим результатом предлагаемого изобретения является: исключение необходимости проверки гипотезы о принадлежности данных лабораторных исследований нормальному закону распределения вероятностей; реализация возможности учёта влияния на характеристики теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола» таких независимых параметров БК, как средний квадратичный диаметр (эквивалентный диаметр) частиц песка, влажность БК, исходная и текущая плотность БК, вертикальная нагрузка БК, эффективная теплопроводность и объёмная доля гранул вспененного полистирола в БК; универсальность способа определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола», выражающаяся в снятии региональных ограничений путём более полного учёта независимых параметров БК; повышенная точность способа определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола», обеспеченная более полным учётом независимых параметров БК.

Данный технический результат достигается тем, что для определения каждой из искомой характеристики БК используется предварительно обученная ИНС. Предлагается разработать ИНС с использованием операций (алгоритм обратного распространения и метод перекрестной проверки), аналогичных предложенным авторами статьи (Ofrikhter I.V., Ponomaryov A.B. Zakharov, A.V. Shenkman, R.I. Estimation of soil properties by an artificial neural network. Magazine of Civil Engineering. 2022. 110(2). 11011. DOI: 10.34910/MCE.110.11.). Для демонстрации возможностей предлагаемого способа определения характеристик, в отличие от ранее разработанной ИНС, в качестве независимых параметров – исходных данных для ИНС – как для обучения, так и для последующего определения, используют следующие параметры: вертикальная нагрузка σ_n, исходная плотность и текущая плотность БК – ρ_и и ρ_т соответственно, влажность БК w, средний квадратичный диаметр (эквивалентный диаметр) частиц песка d_э, эффективная теплопроводность гранул вспененного полистирола λ_ГВП, объёмная доля гранул вспененного полистирола в БК φ_ГВП. В качестве откликов ИНС предлагается использовать коэффициент теплопроводности λ_БК и модуль деформации БК E_k.

Непосредственно сам способ определения характеристик теплофизических и деформационных свойств образца БК предполагает его взвешивание и определение его объема, высушивание и взвешивание высушенного образца БК, расчёт по полученным значениям плотности и влажности БК, определения среднего квадратичного диаметра (эквивалентного диаметра) частиц песка по формуле (Расчеты аппаратов кипящего слоя: справ. / И.П. Мухленова, Б.С. Сажина, В.Ф. Фролова [и др.]; под ред. И.П. Мухленова, – Л.: Химия, 1986. – 352 с., стр. 16, табл. 1.1, ф-ла 2):

(1),

где k – число фракций;

g_i – массовая доля частиц i-ой фракции, д.е.;

d_i – средний диаметр частиц i-ой фракции, мм.

Объёмная доля гранул вспененного полистирола в БК определяется по формуле:

(2),

где V_ГВП – объём гранул вспененного полистирола, м³;

V_БК – объём бинарного композита, м³.

Величина вертикальной нагрузки БК определяется, исходя из условий ее последующей эксплуатации, и равна эксплуатационной нагрузке.

С целью обучения ИНС загруженные в программу Google Colaboratory исходные данные проходят процесс нормализации, перемешивания случайным образом, разделения на обучающий массив (60% исходных данных), оценочный массив (20%) и тестовый массив (20%). Обученная ИНС имеет: входной слой, состоящий из 7 нейронов, 3 скрытых слоя по 64 нейрона и выходной слой, состоящий из 1 параметра. Далее в предварительно обученную ИНС загружают исходные данные, взятые с контролируемого образца БК, и на их основе рассчитывают характеристику теплофизических или деформационных свойств БК «песок-гранулы вспененного полистирола»: коэффициент теплопроводности или модуль деформации.

Пример: на основе программы Google Colaboratory c помощью языка Python разработана ИНС, алгоритм которой состоит из: загрузки специальных библиотек и исходных данных, представленных в виде 7 независимых факторов для 8 различных по составу образцов: вертикальная нагрузка σ_n (кПа), исходная и текущая плотность БК – ρ_и и ρ_т (кг/м³) соответственно, влажность БК w (д.е.), средний квадратичный диаметр (эквивалентный диаметр) частиц песка d_э (мм), эффективная теплопроводность гранул вспененного полистирола λ_ГВП (Вт/м⋅K), объёмная доля гранул вспененного полистирола в БК φ_ГВП (д.е.); процесса обучения ИНС, содержащего этапы обучения (60% исходных данных), оценки (20%) и контроля за переобучением ИНС; тестирования обученной ИНС на основе ранее неиспользованных данных (20%); практического применения, заключающегося в определении одной из характеристики на основе обученной ИНС: либо характеристика теплофизических свойств (коэффициент теплопроводности λ_БК), либо характеристика деформационных свойств БК (модуль деформации Е_k).

С целью обучения модели ИНС используют 540 векторов данных (от 60 образцов БК). По результатам тестирования обученная модель ИНС при числе испытаний в 100 образцов установлено, что при доверительной вероятности P=0,95 абсолютное значение относительной ошибки определения модуля деформации составила =17,67% (9,49% – среднее).

Сравнение с традиционным методом прогнозирования данных глинистых грунтов (Ofrikhter, I.V., Ponomaryov, A.B., Zakharov, A.V., Shenkman, R.I. Estimation of soil properties by an artificial neural network. Magazine of Civil Engineering. 2022. 110(2). 11011. DOI: 10.34910/MCE.110.11.) позволило оценить полученные результаты. Авторы данного исследования установили, что среднее абсолютное значение относительной ошибки определения удельного сцепления с помощью ИНС составила 15,33%, которое с точностью до 5,84% соответствует полученному с помощью предлагаемого способа абсолютному значению относительной ошибки модуля деформации, равного 9,49%. В то же время использование традиционных методов определения относительной ошибки определения удельного сцепления составила 50,43%.

Таким образом, предлагаемое изобретение позволяет по результатам лабораторных исследований БК «песок-гранулы вспененного полистирола» обеспечить большую универсальность и точность определения характеристик его теплофизических и деформационных свойств.

Изобретение относится к инженерно-геологическим изысканиям в строительстве, а именно к определению характеристик теплофизических и деформационных свойств бинарного композита (БК) «песок-гранулы вспененного полистирола» по результатам лабораторных исследований. Предложен способ определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети, который заключается в последовательном определении плотности и влажности образца БК, среднего квадратичного диаметра (эквивалентного диаметра) частиц песка, входящего в состав БК, вертикальной нагрузки БК, эффективной теплопроводности и объёмной доли гранул вспененного полистирола в БК, загрузке этих данных в обученную искусственную нейронную сеть, которая на их основе рассчитывает характеристики теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола». Технический результат - предлагаемое изобретение позволяет по результатам лабораторных исследований БК «песок-гранулы вспененного полистирола» обеспечить большую универсальность и точность определения характеристик его теплофизических и деформационных свойств.

Способ определения коэффициента теплопроводности и модуля деформации бинарного композита «песок-гранулы вспененного полистирола», включающий взвешивание образца и определение его объема, высушивание и взвешивание высушенного образца, определение по полученным значениям плотности и влажности образца, отличающийся тем, что в образце бинарного композита «песок-гранулы вспененного полистирола» дополнительно определяют массовую долю и средний диаметр частиц его фракций, по значениям которых находят средний квадратичный диаметр частиц песка, входящего в состав образца бинарного композита «песок-гранулы вспененного полистирола», далее определяют объем гранул вспененного полистирола в бинарном композите «песок-гранулы вспененного полистирола» и объем бинарного композита «песок-гранулы вспененного полистирола», по которым определяют объемную долю гранул вспененного полистирола в образце бинарного композита «песок-гранулы вспененного полистирола», определяют вертикальную нагрузку и эффективную теплопроводность образца бинарного композита «песок-гранулы вспененного полистирола», которые затем загружают вместе с данными о плотности и влажности образца в предварительно обученную искусственную нейронную сеть, определяющую на основе значений плотности, влажности образца, среднего квадратичного диаметра частиц песка, входящего в состав образца бинарного композита, объемной доли гранул вспененного полистирола в образце бинарного композита, вертикальной нагрузки и эффективной теплопроводности образца коэффициент теплопроводности и модуль деформации бинарного композита «песок-гранулы вспененного полистирола», причем для обучения искусственной нейронной сети данные проходят процесс нормализации, перемешивания случайным образом, разделения на обучающий массив, составляющий 60% исходных данных, оценочный массив, представленный 20% исходных данных, и тестовый массив, также образованный 20% исходных данных.