ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕМПЕРАТУРЫ ВСПЫШКИ ОРГАНИЧЕСКИХ СОЕДИНЕНИЙ
Авторы:
1.
Казанский национальный исследовательский технологический университет
2.
Казанский национальный исследовательский технологический университет
Россия
Россия
3.
Казанский национальный исследовательский технологический университет
Тип:
Статья
Страницы:
с 112
по 117
Статус:
В работе
Язык материала:
русский
Ключевые слова:
БОЛЬШИЕ ДАННЫЕ, ИНДУСТРИЯ 4.0, ТЕМПЕРАТУРА ВСПЫШКИ, МАШИННОЕ ОБУЧЕНИЕ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Аннотация (русский):
Повышение требований по безопасности субъектов производственной деятельности привело к ряду технологических изменений в направлении усиления мер по промышленной безопасности. В настоящее время обязательным является разработка паспорта безопасности производственных объектов, особенно если химическое производство связано с использованием горючих жидкостей. При этом, приоритетным в создании безопасных химико-технологических систем является использование цифровых технологий. Данное направление является частью Индустрии 4.0. Во многих странах мерой разделения жидкостей на горючие и легковоспламеняемые является температура вспышки. Данные о температуре вспышки для органических соединений были взяты из базы данных PubChem. В базу данных для данной работы была включена информация о температуре вспышки для 1741 органических веществ. Для упрощения анализа представления органических соединений, мы использовали ключи MACCS, поскольку они являются одними из лучших дескрипторов для прогнозирования свойств химических соединений. Данные дескрипторы создаются на основе общих ключей подструктуры. Кроме того, модели были рассчитаны с использованием молекулярных отпечатков Моргана, также известных как циркулярные отпечатки с радиусом 2. В рамках данной работы были реализованы гребневая регрессия, алгоритм случайного леса, метод ближайших соседей kNN, метод опорных векторов (SVM), искусственные нейронные сети. Для обучающей выборки полученная классификационная модель случайного леса показала безошибочную классификацию, ошибка прогноза для нее равна 0. Статистические характеристики построенной RF-модели для выборки имеют следующие значения: точность АСС = 0.83, специфичность ЅРС = 0.81, чувствительность SEN = 0.86, сбалансированная точность BA = 0.83, коэффициент корреляции Мэтью МСС = 0.72. На основе разработанной модели был проведен прогноз принадлежности соединений к определенному классу («1» класс горючий или «0» легковоспламеняемый) для органических соединений, для которых отсутствует экспериментальная информация относительно принадлежности к классу «1» или «0».
Повышение требований по безопасности субъектов производственной деятельности привело к ряду технологических изменений в направлении усиления мер по промышленной безопасности. В настоящее время обязательным является разработка паспорта безопасности производственных объектов, особенно если химическое производство связано с использованием горючих жидкостей. При этом, приоритетным в создании безопасных химико-технологических систем является использование цифровых технологий. Данное направление является частью Индустрии 4.0. Во многих странах мерой разделения жидкостей на горючие и легковоспламеняемые является температура вспышки. Данные о температуре вспышки для органических соединений были взяты из базы данных PubChem. В базу данных для данной работы была включена информация о температуре вспышки для 1741 органических веществ. Для упрощения анализа представления органических соединений, мы использовали ключи MACCS, поскольку они являются одними из лучших дескрипторов для прогнозирования свойств химических соединений. Данные дескрипторы создаются на основе общих ключей подструктуры. Кроме того, модели были рассчитаны с использованием молекулярных отпечатков Моргана, также известных как циркулярные отпечатки с радиусом 2. В рамках данной работы были реализованы гребневая регрессия, алгоритм случайного леса, метод ближайших соседей kNN, метод опорных векторов (SVM), искусственные нейронные сети. Для обучающей выборки полученная классификационная модель случайного леса показала безошибочную классификацию, ошибка прогноза для нее равна 0. Статистические характеристики построенной RF-модели для выборки имеют следующие значения: точность АСС = 0.83, специфичность ЅРС = 0.81, чувствительность SEN = 0.86, сбалансированная точность BA = 0.83, коэффициент корреляции Мэтью МСС = 0.72. На основе разработанной модели был проведен прогноз принадлежности соединений к определенному классу («1» класс горючий или «0» легковоспламеняемый) для органических соединений, для которых отсутствует экспериментальная информация относительно принадлежности к классу «1» или «0».
Ключевые слова:
БОЛЬШИЕ ДАННЫЕ, ИНДУСТРИЯ 4.0, ТЕМПЕРАТУРА ВСПЫШКИ, МАШИННОЕ ОБУЧЕНИЕ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
БОЛЬШИЕ ДАННЫЕ, ИНДУСТРИЯ 4.0, ТЕМПЕРАТУРА ВСПЫШКИ, МАШИННОЕ ОБУЧЕНИЕ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
