ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ РАБОТЫ МУЛЬТИВИХРЕВОГО КЛАССИФИКАТОРА С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ В СРЕДЕ ORANGE DATA MINING
Авторы:
1.
Казанский национальный исследовательский технологический университет
(кафедра "Оборудование пищевых производств", доцент)
с 01.01.2020 по настоящее время
Россия
с 01.01.2020 по настоящее время
Россия
2.
Казанский государственный энергетический университет
(АТПП, ассистент)
с 01.01.2018 по настоящее время
Россия
с 01.01.2018 по настоящее время
Россия
3.
Казанский государственный энергетический университет
(АТПП, заведующий кафедрой)
с 01.01.2015 по настоящее время
Россия
с 01.01.2015 по настоящее время
Россия
Тип:
Статья
Страницы:
с 141
по 146
Статус:
В работе
Язык материала:
русский
Ключевые слова:
КЛАССИФИКАЦИЯ ЧАСТИЦ, ЭФФЕКТИВНОСТЬ КЛАССИФИКАЦИИ, МАШИННОЕ ОБУЧЕНИЕ, АНАЛИЗ ДАННЫХ, ТОЧНОСТЬ МОДЕЛИ РЕГРЕССИИ
Аннотация (русский):
Классификация сухих частиц по размеру имеет множество применений во многих отраслях. В процессе приготовления порошки должны иметь узкое распределение частиц по размерам, поэтому применение классификаторов позволяет обеспечить заданные параметры и не допустить чрезмерного измельчения. Эксплуатационные характеристики при этом оцениваются в результате экспериментальных исследований и численного моделирования. В Ansys Fluent был смоделирован мультивихревой классификатор для изучения влияния различных факторов на эффективность классификации. Поскольку объем данных постоянно увеличивается, человеку становится трудно анализировать их вручную для принятия стратегических решений. Целью исследования является разработка модели для анализа данных с помощью программного обеспечения Orange Data Mining с визуальным интерфейсом. Представлен процесс оценки сравнительных результатов протестированной модели прогнозирования. В виджете «Тестирование и оценка» отображаются результаты девяти алгоритмов классификации, где результаты сравнения прогнозирования эффективности классификации частиц показаны со значением MSE, RMSE, MAE, MAPE и R2. Результаты оценки показали, что модели прогнозирования эффективности имеют разный уровень точности. Метод опорных векторов (SVM), метод на нейронных сетях, градиентный бустинг имеют более низкие коэффициенты регрессии для линейных MAE и RMSE по сравнению с kNN и другими алгоритмами классификации. Результат прогнозирования с помощью метода Neural Network соответствует прогнозу эффективности работы мультивихревого классификатора с небольшой погрешностью. Наилучший метод [N1] , использованный в этом исследовании, может быть повторно применен в будущих исследованиях, чтобы получить оптимальные конструкции мультивихревого сепаратора, обеспечивающие высокую точность классификации.
Классификация сухих частиц по размеру имеет множество применений во многих отраслях. В процессе приготовления порошки должны иметь узкое распределение частиц по размерам, поэтому применение классификаторов позволяет обеспечить заданные параметры и не допустить чрезмерного измельчения. Эксплуатационные характеристики при этом оцениваются в результате экспериментальных исследований и численного моделирования. В Ansys Fluent был смоделирован мультивихревой классификатор для изучения влияния различных факторов на эффективность классификации. Поскольку объем данных постоянно увеличивается, человеку становится трудно анализировать их вручную для принятия стратегических решений. Целью исследования является разработка модели для анализа данных с помощью программного обеспечения Orange Data Mining с визуальным интерфейсом. Представлен процесс оценки сравнительных результатов протестированной модели прогнозирования. В виджете «Тестирование и оценка» отображаются результаты девяти алгоритмов классификации, где результаты сравнения прогнозирования эффективности классификации частиц показаны со значением MSE, RMSE, MAE, MAPE и R2. Результаты оценки показали, что модели прогнозирования эффективности имеют разный уровень точности. Метод опорных векторов (SVM), метод на нейронных сетях, градиентный бустинг имеют более низкие коэффициенты регрессии для линейных MAE и RMSE по сравнению с kNN и другими алгоритмами классификации. Результат прогнозирования с помощью метода Neural Network соответствует прогнозу эффективности работы мультивихревого классификатора с небольшой погрешностью. Наилучший метод [N1] , использованный в этом исследовании, может быть повторно применен в будущих исследованиях, чтобы получить оптимальные конструкции мультивихревого сепаратора, обеспечивающие высокую точность классификации.
Ключевые слова:
КЛАССИФИКАЦИЯ ЧАСТИЦ, ЭФФЕКТИВНОСТЬ КЛАССИФИКАЦИИ, МАШИННОЕ ОБУЧЕНИЕ, АНАЛИЗ ДАННЫХ, ТОЧНОСТЬ МОДЕЛИ РЕГРЕССИИ
КЛАССИФИКАЦИЯ ЧАСТИЦ, ЭФФЕКТИВНОСТЬ КЛАССИФИКАЦИИ, МАШИННОЕ ОБУЧЕНИЕ, АНАЛИЗ ДАННЫХ, ТОЧНОСТЬ МОДЕЛИ РЕГРЕССИИ
