Ii-халықаралық Ғылыми конференцияның жинағЫ



жүктеу 5.01 Kb.
Pdf просмотр
бет40/45
Дата07.05.2017
өлшемі5.01 Kb.
1   ...   37   38   39   40   41   42   43   44   45

СПИСОКЛИТЕРАТУРЫ 
1. Сычев  А.В.  Теория  и  практика  разработки  современных  клиентских  веб-приложений.
Интернет-Университет  Информационных  Технологий  [Электронный  ресурс].Режим  доступа: 
http://www.intuit.ru/department/internet/thpdevweba/24/ thpdevweba_24.html, свободный.  Яз.  рус. (дата 
обращения 04.12.2010). 
2. Молина  Е.,  Хана  С.  Безопасность  облачных  вычислений:  есть  вопросы? [Электронный
ресурс]. – Режим доступа: http://cloudzone.ru/articles/analytics/11.html (дата обращения: 27.11.2010) 
3. XaaS Check 2010 Status Quo und Trends im Cloud Computing. XaaS Check
[Электронныйресурс]. 
Режимдоступа: http://www.xaas-check.eu/download.php?cat 
=00_Willkommen&file= 2010-XaaS-Check-Report.pdf, свободный.  Яз.  нем. (датаобращения 
04.12.2010). 
4. Волкова  В.Н.,  Денисов  А.А.  Основы  теории  систем  и  системного  анализа,  СПБ-  СПГТУ,
2001. 
MATHCAD МАТЕМАТИКАЛЫҚ ПРОЦЕССОРЫНДА  СЫЗЫҚТЫҚ АЛГЕБРА ЕСЕПТЕРІН 
ШЕШУ 
Л.А. Смағұлова  
І. Жансүгіров атындағы Жетісу мемлекеттік университеті, Талдықорған қаласы 
Consider the question of application of mathematical processor MathCad for solving the equation 
linear algebra.   
Компьютерлерді  ғылым  мен  техниканың    қолданбалы  есептерін  шешуге    тиімді  пайдалану 
математика  мен  информатиканың  түйісуі  болып  саналатын  «Сандық  əдістер»  пəнінің  үлесі  екені 
даусыз. 
Математикада қолданбалы есептерді шешу ежелден бері жоғары дəрежелі (n>3) теңдеулерді, 
реті  үлкен  болатын  сызықтық  теңдеулер  жүйесін  шешуде,  анықтауыштарды  есептеуде,  анықталған 
интегралдарды жуық түрде есептеуде, жай дифференциалдық теңдеулер мен олардың жүйелеріндегі 
Коши  есебін  шешу  жəне  математикалық  физиканың  теңдеулерін  шешуде  ерекше  орын  алатыны 
белгілі.  
Сандық  əдістер  курсындағы  маңызды  жəне  көлемді  тақырыптардың  бірі – сызықтық 
алгебралық теңдеулер жүйесін шешу.  
Қазіргі  уақытта  сызықтық  алгебралық  теңдеулерді  компьютерлік  программалар  арқылы 
шешудің  сандық  əдістер  арсеналдары  жақсы  дамыған.  Көптеген  əдістер  үшін  алынған  шешімнің 
дəлдігін бағалайтын жəне компьютердегі шешімнің есептелуінің дəл белгілер санын анықтауға ықпал 
ететін математикалық аппарат өңделген. Сызықтық алгебралық теңдеулер жүйесін сандық əдістермен 
шешудің əртүрлілігін тура(дəл) жəне итерациялық деп бөлуге болады/1/.    
Тура  əдістер  жүйенің  шешімін  дəл  анықтаумен  сипатталады.  Егер  жүйедегі  барлық  амалдар 
қатесіз  дөңгелектеліп,  дəл  орындалса,  онда  берілген  теңдеулер  жүйесінің  шешімі  де  дəл  алынады. 
Тура  əдістерге  Крамер,  Гаусс  жəне  ортогонализация  əдістері  жатады.  Ал  итерациялық  əдістерде 
шешімдер жуықтап табылады.  
«Сандық əдістер»  пəнінен əр тақырып бойынша есеп шығаруда қазіргі заманғы программалау 
тілдері  мен  əдістерін  жəне  басқа  да  қолданбалы  программалық  құралдарды,  мысалы Excel 
электрондық  кестесінің, MathCad  математикалық  процессорының    мүмкіндіктерін  кең  пайдаланған 
ыңғайлы.Себебі,  студенттер  нақты  тақырыптар  бойынша  есептер  шығаруда  қай  программалық 
құралды  жəне  қандай  программалау  тілін    қолдану  арқылы  есептің  тиімді  жəне  дəл  шешімінтабуға 
болатындығына назар аударар еді. Ал бұл өз кезегінде бірнеше программалау тілін меңгеруге жəне 

 
программал
арттыруға ж
Үш
6
.
0
3
.
0
2
.
0
 
Бұл
Мұ








83
.
1
32
.
0
91
.
1
b
1
1
c
x

Бер
процессоры
массивтерм
элементтер
Кра
ыңғайлы. 
Mat
орындарды
орындалад
Алд
панелінен м
панелін ше
Аш
енгізіп  ОК
лық  құралд
жол ашатын
ш белгісізі ба
35
.
0
60
25
.
0
30
45
.
0
21
1
1
1



x
x
x
x
x
x
л теңдеулер 
ндағы А=





0
0
0





 - бос мүше
(1)-ші  жүй
3
2
2
,
,
x
c
x

рілген  сызы
ының    мүм
мен  жұмыс 
рімен бір тип
амерлік теңд
thCad  ортас
ы  қамтитын
ы:  
дымен Math
меншіктеу о
ертеміз (1-су
шылатын Ins
К  батырмасы
дардың  қуат
ны анық/2/. 
ар үш  сызы
25
.
0
43
.
0
20
.
0
3
2
3
2
3
2






x
x
x
x
x
жүйесін мат


3
.
0
60
.
0
25
.
0
30
.
0
4
.
0
21
.
0
е. 
йенің шешім
3
c

сандард
ықтық  алге
мкіндіктерін
жасау  кезі
пті есептеул
деулерді век
сында  санд
н  матрица 
hCad ортасы
операторын
урет). 
ert Matrix сұ
ын  шертеміз
тты  мүмкінд
қтық алгебр
83
.
1
32
.
0
91
.
1



 (1) 
трицалық тү







25
.
0
5
43
.
0
5
20
.
0
5
мі деп жүйе
дың реттелг
ебралық  те
  қарастыра
інде  байқал
лерді бірнеш
кторлық əді
ық  массив 
шаблонын 
ын жүктеймі
 шертіп, мат
ұхбат терез
з.  Сонда  эк
діктерін  кең
ралық теңде
үрде жазуға
А*x=
 3*3 өлшем
енің барлық
ген жиынын
ңдеулер  ж
айық. MathC
лады.  Ереже
ше рет қайта
істермен ше
құрудың  б
толтыру. 
із.Жұмыс об
тематикалы
 
1-сурет 
 
еде  А матр
кранда  матр
ң  пайдалану
еулер жүйес
а болады: 
=b 
дегі матриц
қ теңдеулері
айтады /1/. 
жүйесін  шеш
Cad  програм
е  бойынша 
алауға алып
ешу кезінде 
бір  тəсілі  –
Матрица  ш
блысында А
ық панелден 
рицасы үшін
ица  үшін  3
уға  студент
і берілсін:  
ца, x=










3
2
1
x
x
x
 -
ін дұрыс тең
 
шуде Math
ммасының 
бұл  жұмы
 келеді.   
 MathCad п
сандарды 
шаблонын  т
А матрицасы
матрица ж
н жолдар са
  х 3 өлшем
т  қауымыны
- 3-шіреттег
ңдіктерге ал
hCad  мате
артықшылы
ыс  матрицан
процессорын
енгізуге  ар
толтыру  ке
ын жазып К
жəне вектор
анымен баға
мдегі  дайын
277
ың  ынтасын
гі вектор, ал
лып келетін
ематикалық
ығы  əсіресе
ның  барлық
н пайдалану
рналған  бос
елесі  түрде
Калькулятор
р саймандар
андар санын
ндама  пайда

н 
л 
н 
қ 
е 
қ 
у 
с 
е 
р 
р 
н 
а 

278 
 
болады (2-сурет).Матрица элементтерінің мəндерін осы дайындамаға енгіземіз.Тура осы тəсілмен В 
векторын  құрамыз.  Мұнда  айта  кететініматрицаның  өлшемін  жолдар  мен  бағандар  санын  кірістіру 
жəне  өшіру  арқылы  өзгертуге  болады.  Жол  жəне  баған  кірістіру  үшін Insert Matrix диалогтық 
терезеде  кірістіретін жолдар мен бағандар санын көрсетіп, Insert батырмасын, ал артық жолдар мен  
бағандарды өшіру үшін Delete батырмасын шертеміз. 
 
2-сурет. 
 
MathCad математикалық процессорында массивтермен жұмысқа арналған арнайы функциялар 
мен операторлар бар. Матрицалық операторларға матрицаны транспонирлеу, кері матрицаны, бірлік 
матрицаны  анықтау,  квадраттық  матрицаның  анықтауышы,  матрицаларды  қосу,  көбейту  жəне  алу 
операторлары, векторлардың скаляр көбейтіндісі операторлары кіреді /3/.  
(1)-ші  теңдеулер  жүйесіндегі  Х  векторын  табу  үшінMathCad  ортасының  жұмыс  алаңына 
пернетақтадан келесі формуланы енгіземіз: 
Х:=A
-1
*B.  
мұндағы A
-1
- А матрицасының кері матрицасы. Оны матрица жəне вектор саймандар панелі 
арқылы кірістіреміз. Одан кейін пернетақтадан  Х= енгізіп Enter-ді басамыз. Сонда Х
1
, Х
2
, Х
3
мəндері 
шығады. Осы мысалды орындау нəтижесі 3-ші суретте берілген.  
 
 
 
3-сурет. MathCad ортасында теңдеулер жүйесін шешу алгоритмі. 
 
Көріп  отырғанымыздай  кез  келген  реттегі  сызықтық  алгебралық  теңдеулер  жүйесін  шешуді 
MathCad  математикалық  процессорын  пайдаланып,  берілген  дайын  шаблонға  мəліметтерді  енгізіп, 
жылдам, əрі ыңғайлы түрде орындауға болады.  
 
ПАЙДАЛАНЫЛҒАН ƏДЕБИЕТТЕР 
1.  Заварыкин В.М., Житомирский В.Г., Лапчик М.П., Численные методы. - М.: Просвещение, 1991 
2.  Ж. Нысамбаев, Л.А. Смағұлова. «Сандық əдістер» пəнінен оқулықтар жазу мəселесі // 
Вестник ЖГ, 2008  
3.  Макаров Е.Г. Инженерные расчеты в MathCad. Учебный курс.- СПб: Питер, 2005 – 448с. 
 

279 
 
 
РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ ТЕПЛОВЫМ РЕЖИМОМ ЭНЕРГЕТИЧЕСКОГО 
КОМПЛЕКСА «КОТЕЛ-ТУРБИНА» НА ОСНОВЕ НЕЙРОСЕТЕВОЙ ОЦЕНКИ 
ТЕРМОДИНАМИЧЕСКИХ ФУНКЦИЙ 
 
О.В. Жирнова 
Казахский национальный технический университет имени К.И. Сатпаева, г.Алматы  
 
This article assumes the use of a system of operational control of the energy complex "boiler-
turbine". At present, intelligent management becomes widespread tool for many engineering and industrial 
applications as well as research on expert systems is slowly declining and research on neural networks 
steadily increase. Neural control of the application is called completely certain neural networks for 
generating valid control signals. 
 
Нейронные  сети – самообучающиеся  системы,  имитирующие  деятельность  человеческого 
мозга.  Имеется  несколько  причин,  породивших  интерес  к  применению  нейронных  сетей  для  задач 
управления  в  качестве  альтернативы  традиционным  методам.  Основные  причины  заключаются  в 
следующем. Нейронные сети могут обучаться любым функциям; требуется только, чтобы в процессе 
обучения  был  предоставлен  достаточно  большой  объём  информации,  а  также  правильный  выбор 
самой  нейронной  модели.  Благодаря  способности  нейронных  сетей  к  самообучению,  для 
нейроконтроллеров  наличие  большого  объема  априорной  информации  об  объекте  управления, 
например,  данных  математического  моделирования,  не  требуется.  Высокая  степень  параллельности 
нейронных  сетей  позволяет  реализовать  очень  быстрые  методы  мультипроцессорной  обработки. 
Благодаря  реализуемой  в  нейронной  сети  архитектуре  параллельной  обработки,  повреждение 
отдельных элементов технических средств сети не может существенно влиять на работу сети в целом. 
Контроллер обратной связи обеспечивает стабильность системы, а контроллер прямой связи – 
быстроту  её  реакции.  Таким  образом,  если  требуется,  чтобы  выходной  сигнал  объекта  управления 
быстро изменялся в соответствии с опорным сигналом, то следует использовать контроллер обратной 
связи. 
Традиционные  методы  управления  основаны  на  знаниях  и  опыте  специалистов  отрасли. 
Однако 
метод  аналогий  и  комбинирования  известных  ситуаций  не  всегда  дает  оптимальный 
результат.  Принципиально  иные  возможности  заложены  в  методологии  «мягких»  вычислений  и 
экспертных  системах  (ЭС).  Представление  элементов  трубопроводных  систем  адаптивными 
моделями,  основанными  на  нейросетевом  подходе  позволяют  синтезировать  глобальную  модель 
сложной      технологической      системы.  В  данной  статье  рассматривается  построение  модели 
управления  тепловым  режимом 
энергетического  комплекса  «котел-турбина»
.  Предпосылкой  для 
решения данной задачи является невозможность использования физических датчиков для измерения 
температуры  жидкости  внутри  агрегата,  ввиду  наличия  в  них  высоких  температур  горения,  но 
существует  возможность  измерения  только  температуры  внешней  стенки  агрегата.  В  связи  с  этим, 
делается попытка определения температуры жидкости косвенно на основании зависимостей, которые 
могут быть выявлены на тех участках, где возможны измерения температуры как внутри, так и его 
внешней стенки. Базой для построения модели, способной идентифицировать данную зависимость с 
достаточно  большой  точностью,  были  выбраны  нейронные  сети.  Идентификация  нейроносетевой 
модели  состоит  в  выборе  архитектуры  нейронной  сети,  количества  скрытых  нейронов,  а  также 
передаточных функций.  
Для  построения  нейросетевой  модели  следует  провести  обучение  нейронной  сети 
зависимости,  связывающей  параметры  температуры  внутренней  и  внешней  стенки.  Основным 
методом для обучения нейронной сети является метод обратного распространения ошибки [1]. 
Необходимым  условием  для  данной  модели  является  ее  устойчивость,  то  есть  возможность 
адаптации к ситуациям, которые в какой то степени отличаются от тех, при которых производилось 
непосредственно  обучение  нейронной  сети.  Это  требование  в  первую  очередь  распространяется  па 
подготовку  исходных  данных  для  обучения,  а  именно  количественное  и  качественное  их 
представление. 
Задача  нейронной  сети - преобразование  информации  требуемым  образом.  Для  этого  сеть 
предварительно  обучается.  При  обучении  используются  идеальные  (эталонные)  значения  пар 
<входы-выходы>  или  <учитель>,  который  оценивает  поведение  нейронной  сети.  Для  обучения 
используется обучающий алгоритм. Обучающий алгоритм модифицирует отдельные нейроны сети и 
веса ее связей таким образом, чтобы поведение сети соответствовало желаемому поведению.  

280 
 
Мат
построено 
схема. Cум
нейронов-о
представля
веса,  а  тор
сигнал ней
Зад
нейрона, то
Мат
комплекса.
пограничны
Пог
процессы н
 
I - 
характериз
когда  крит
преимущес
представле
 
где 
жидкости, 
жидкостью
II  -
жидкости  р
системе (ж
W
где 
рассматрив
жидкость-с
III -
характерис
тематическ
на  базе  пр
ммирующая
отправителе
яют собой   
рмозящие  с
рона У по у
дать нейронн
опологию св
тематическ
Модель  теп
ых слоях. 
граничные 
на границе р
жидкость-
зуется векто
терий  Рейн
ственным  в
ена следующ
C
W

W - объе
    S    -      пл
ю и пристено
-  жидкость 
равна  нулю
ж-с) может бы
ж
ж
dt
dT
C
W
2

    Т
ж2
      - 
ваемой ячей
стенка.  
- стенка-воз
стиками  мат
кая  модель 
ростой  конц
я  функция  о
ей.  Значени
синаптичес
синапсы - о
уровню акти
Рисуно
ную сеть, сп
вязей, веса с
кая  модель 
плообмена 
слои  систе
раздела сред
Рисунок 2
-жидкость  (
ором скорос
нольдса  ме
в  технологи
щим уравнен
S
dt
dT
C
ж
ж


ем  рассматр
лощадь    тепл
очной жидко
-  стенка  (
ю.  Эта  облас
ыть предста

конв
T
S

2

температур
йки, Т
ст
 - тем
здух (с-в) – э
териала  стен
нейрона.Мн
цепции  стро
объединяет 
ем  такого  
ские   мощн
отрицательн
ивности f. 
ок 1. Простая
пособную ре
связей.  
теплообме
в  рассматр
емы  жидкос
д: 
2. Пограничны
(ж-ж) – эт
сти V, на ри
еньше 5000
ии  транспор
нием: 

T
жв
конв


риваемой  я
лообмена,  
остью, у кот
(ж-с) – это
сть  играет  р
авлена следу

ж
сл
T
T


2
ра  пристено
мпература с
это стенка т
нки.  В  данн
ножество  м
оения  нейро
все  входны
объединени
ности.   Возб
ные  веса.  Ф
 
 математичес
 
ешить конкр
ена  в  погран
риваемом  к
сть - стенк
 
ые слои сист
то  область 
исунке 2 пре
0,  при  V
ср 
ртировки  не

S
T
ж
ж

1

ячейки,  

ж
 

конв
    -   ко
торой  V
ж
 =
о  так  назыв
роль  теплои
ующим урав

ж
жст
Т
S
2

очной  жидк
стенки, 

 - к
трубы, здесь
ном  случае 
математическ
она.  На  рис
ые  сигналы
ия  является 
буждающие
Функция  ак
ская модель н
ретную зада
ничных  слоя
омплексе   
ка  представ
 
емы 
жидкос
течения  ж
едставлен д
  2м/с.  Э
ефти.  Моде


Т
Т
ж
ж

1
ж
 - плотнос
оэффициент
0. 
ваемая  при
изолятора  д
внением: 

ст
Т

2
кости  на  гр
коэффициен
ь процессы т
это  сталь,  т
ких  моделей
сунке 1 пок
ы  x
i
,  которы
  взвешенна
е   синапсы 
ктивации  ра
нейрона 
ачу, это знач
ях  системы 
включает  о
влены  на  р
сть-стенка
 
жидкости  в 
для эксперим
Этот  режим
ель  в  систе
 
сть  жидкос
т  теплообме
истеночная 
ля  нефти.  М
 
анице  жидк
нт    теплопе
теплообмен
толщиной  в
й  нейрона  м
казана  наибо
ые        посту
ая  сумма,   
имеют поло
ассчитывает
чит определ
"жидкость
описание  п
рисунке 2 и
комплексе
ментальных
м  скоросте
ме  (ж-ж)  м
 
сти,  С
ж 
-те
ена  между  д
область,  гд
Модель  в  п
 
кость-стенка
ередачи    н
на определяю
в 20 - 25мм.
может  быть
олее  общая
упают      от
где  веса 

i
ожительные
т  выходной
лить модель
ь - стенка"
процессов  в
и  отражает
е , которая
х скоростей,
ей  является
может  быть
 (1)
еплоемкость
движущейся
де  скорость
ограничной
 (2)
а, W-объем
а    границе
ются только
.  Учитывая,
ь 
я 
т    
i
 
е 
й 
ь 

в 
т 
я 

я 
ь 

ь  
я 
ь 
й 

м 
е    
о 


 
что  коэфф
внутренней
W
где
W
материала 
воздуха в и
Сис
комплекса 
  Пр
 
 
 
 
 
 
 
 
 
где 
Пос
предполага
Структура 
 
Вне
Исс
Нейронная
продукта 
определени
комплекса.
Исходными
фициент  теп
й и внешней
ст
ст
d
dT
C
W

2
W - объем р
стенки; 

ст
измеряемом 
стема  уравн
.
 
реобразуем у
ж
C
W

d
dT
А
1
d
dT
А
2
d
dT
А
3
сл
Т
  Переп
р
Т
1
(

р
Т
2
(

р
Т
3
(

    
1
1
1
В
А
Т

строенную 
ается  испол
имитационн
едрение нейр
следования 
я  сеть  реал
-  Маtlab.  Б
ия  температ
.  Обучение 
и  данными 
плопроводн
й стенки рав
жст
ст
S
dt


рассматрива
т
-   коэффи
колодце ко
нений (1) - 
уравнение (1
ж
ж
dt
dT
C

1
ж
ж
T
B
dt
T
1
1
1


ж
ж
T
B
dt
T
2
2
2

ст
ст
T
B
dt
T
3

2
1
ж
ж
Т
Т


пишем уравн
ж
В
С
Т
1
1
1
)
1

ж
В
С
Т
2
2
2
)
1


ст
В
С
Т
3
3
)
1


2
2
2
В
А
Т

;
модель,  оп
льзовать  для
ной модели 
ронной сети
проводилис
лизована  пр
Была  пров
туры  жидко
проводило
для  экспер
ости  в  ста
вны. 

ст
ж
т
T
T

2
аемой ячейк
ициент  тепл
мплекса ;
 
(3)  описыв
1) в вид (4) и
жв
конв
Т
S


жв
D
T
C
1


сл
D
T
C
2
2


ж
D
T
C
2
3


2
ж
 
нение (5)-(8)
жв
T
B
D
Т
1
1

сл
T
B
D
Т
2
2
2
2

ж
T
B
D
Т
3
3
2

3
3
3
В
А
Т


писывающую
я  определен
представле
Рисунок 3. С
и для монит
сь  на  основ
рограммной 
едена  сери
ости  в  комп
сь  на  основ
иментов  сл
али  очень  б


ств
Т
S


ки, 


 - пло
лопередачи 
вает  процес
и запишем в 
ж
ст
Т
S



сл
T
D
1
 
ст
T
D
2
 
в
T
D
3
 
 
) в форме пе
сл
T
 
ст
T
 
в
T
 
ю  процесс 
ния  структу
ена на рисун
 
Структура им
торинга тех
ве  модели  с
моделью 
ия  эксперим
плексе    с  и
ве  временно
лужили  граф
большой,  м

в
ст
Т

отность мат
на  границ
с  теплообм
форме (5). А
ж
ж
Т
S



1
ередаточных
 
 
теплообмен
уры  ячейки 
нке 3. 
митационной
хнологически
сети  с  обра
нейронной 
ментов  по 
использован
ой  последов
фики  темпер
можно  счит
 
териала стен
е  стенка
-
во
мена 
между 
Аналогично д
ст
ж
Т
S


 
 
 
 
 
 
х функций: 
на  в  систем
вычислени
 
й модели 
их параметр
атным  распр
сети  с  по
обучению 
нием  данных
вательности
ратур,  сняты
тать,  что  те
 
нки; 
С
ст
 - 
те
оздух; 
Т
в
  -
т
жидкостью
для уравнени
 
 
 
 
 
 
 
 
ме  жидкост
я  нейронно
ров. 
ространение
омощью  про
нейронной
х  температу
и  температу
ые  с  объект
281
емпературы
 (3)
еплоемкость
температура
ю  и  стенкой
ий (2) и (3).
  
(6)
  
(7)
  
(8)
  
(9)
         (10)
 
ть - стенка
ой  системы.
ем  ошибки.
ограммного
й  сети  для
уры  стенки
уры  стенки.
та  в  разные
 
ы 

ь 
а 
й 





а 


о 
я 
и 

е 
1   ...   37   38   39   40   41   42   43   44   45




©emirb.org 2020
әкімшілігінің қараңыз

    Басты бет