The 16 reference contexts in paper A. Shteingart D., M. Belov L., O. Matrosova A., V. Gorodnichev A., А. Штейнгарт Д., В. Городничев А., М. Белов Л., О. Матросова А. (2016) “Лазерный флуоресцентный метод мониторинга утечек из нефтепроводов, использующий нейросетевой алгоритм // Laser fluorescent method for monitoring leaks from petrol pipes based on the neural network algorithm” / spz:neicon:technomag:y:2014:i:1:p:55-69

  1. Start
    519
    Prefix
    Б аумана belov@bmstu.ru ekomonit@bmstu.ru gorod@bmstu.ru Введение На сегодняшний день актуальной является проблема нефтяных загрязнений водной и земной поверхностей в процессе добычи и транспортировки нефти (см., например
    Exact
    [1-5]
    Suffix
    ). Больше всего нефти на земной поверхности разливается при ее перекачке по трубопроводам. Существующие в настоящее время системы контроля утечек на нефтепроводах (акустические, параметрические системы; системы виброакустического мониторинга; системы, использующие измерение проводимости изоляционного покрытия трубопровода и др.) обеспечивают регистрацию крупных утечек и име
    (check this in PDF content)

  2. Start
    1088
    Prefix
    (акустические, параметрические системы; системы виброакустического мониторинга; системы, использующие измерение проводимости изоляционного покрытия трубопровода и др.) обеспечивают регистрацию крупных утечек и имеют предел чувствительности, который составляет около 1 % производительности трубопровода. Утечки с интенсивностью менее 1 % такие системы не регистрируют (см., например,
    Exact
    [6]
    Suffix
    ). Задача дистанционного оперативного обнаружения утечек нефтепроводов с низкой интенсивностью на сегодняшний день в практическом плане не решена, хотя и является актуальной. Постановка задачи Одним из вариантов дистанционной оперативной системы обнаружения утечек с низкой интенсивностью является лазерная флуоресцентная система обнаружения нефтяных загрязнений (вызванных
    (check this in PDF content)

  3. Start
    1664
    Prefix
    Постановка задачи Одним из вариантов дистанционной оперативной системы обнаружения утечек с низкой интенсивностью является лазерная флуоресцентная система обнаружения нефтяных загрязнений (вызванных утечками из нефтепроводов) с летательного аппарата. Поскольку спектры флуор есценции нефтей и нефтепродуктов отличаются от спектров флуоресценции элементов земного ландшафта
    Exact
    [7]
    Suffix
    , это дает потенциальную возможность обнаруживать нефтяные загрязнения путем регистрации и анализа формы спектра флуоресценции исследуемого участка поверхн ости. Принцип действия лазерного флуориметра для обнаружения нефтяных загрязнений основан на облучении исследуемого участка земной поверхности лазером в ультрафиолетовом диапазоне и регистрации спектра флуоресцентного изл
    (check this in PDF content)

  4. Start
    2454
    Prefix
    Задача дистанционного обнаружения нефтяных загрязнений на земной поверхности с помощью лазерного флуориметра при облучении земной поверхности на длине волны 266 нм и регистрации флуоресцентного излучения в нескольких спектральных диапазонах исследовалась в
    Exact
    [8]
    Suffix
    . На лабораторной установке [7,8] были измерены спектры флуоресценции чистых нефтепродуктов (нефть Альметьевская, дизельное топливо, керосин, бензин А-80, бензин А-92, бензин А-95, бензин А-95 Shell, бензин А-98, масло машинное отработанное, масло машинное Castrol 10w40); различных типов земных поверхностей - воды (водопроводной, снеговой, со взвесью чернозема, глины, песка), ра
    (check this in PDF content)

  5. Start
    2488
    Prefix
    Задача дистанционного обнаружения нефтяных загрязнений на земной поверхности с помощью лазерного флуориметра при облучении земной поверхности на длине волны 266 нм и регистрации флуоресцентного излучения в нескольких спектральных диапазонах исследовалась в [8]. На лабораторной установке
    Exact
    [7,8]
    Suffix
    были измерены спектры флуоресценции чистых нефтепродуктов (нефть Альметьевская, дизельное топливо, керосин, бензин А-80, бензин А-92, бензин А-95, бензин А-95 Shell, бензин А-98, масло машинное отработанное, масло машинное Castrol 10w40); различных типов земных поверхностей - воды (водопроводной, снеговой, со взвесью чернозема, глины, песка), растительности (листья деревьев, мох, с
    (check this in PDF content)

  6. Start
    3453
    Prefix
    В ходе проведенных лабораторных исследований были получены 870 спектр ов флуоресценции различных вариантов чистых и загрязненных земных поверхностей, которые в дальнейшем использовались в качестве исходных данных для разработки метода обнаружения нефтяных загрязнений на земной поверхности. Для примера на рисунке 1
    Exact
    [7]
    Suffix
    показа ны экспериментальные (нормированные на сигнал упругого рассеяния на длине волны 266 нм) спектры флуоресценции различных типов поверхностей. Здесь : 1 - бензин А80 на песке, 2 – масло машинное отработанное на глине, 3 – нефть Альметьевская на торфе, 4 – вода с взвесью чернозема, 5 – мох, 6 – асфальт.
    (check this in PDF content)

  7. Start
    3883
    Prefix
    Здесь : 1 - бензин А80 на песке, 2 – масло машинное отработанное на глине, 3 – нефть Альметьевская на торфе, 4 – вода с взвесью чернозема, 5 – мох, 6 – асфальт. Рис.1. Cпектры флуоресценции различных типов поверхностей В работе
    Exact
    [8]
    Suffix
    разработан эвристический метод обнаружения нефтяных загрязнений на земной поверхности, основанный на регистрации флуоресцентного излучения в трех узких спектральных диапазонах (309,5-317,5 нм, 330,5-338,5 нм, 396,0-404,0 нм).
    (check this in PDF content)

  8. Start
    4860
    Prefix
    оптимальные (с точки зрения приемлемых значений вероятности правильного обнаружения и ложных тревог) значения порогов, позволяющих решить задачу обнаружения нефтяных загрязнений на земной поверхности. Исследуемые вещества и границы классов («нефтяное загрязнение» и «земная поверхность») в двумерном пространстве выбранных классифицирующих признаков представлены на рисунке 2
    Exact
    [8]
    Suffix
    . Рис. 2. Исследуемые вещества и границы классов в двумерном пространстве классифицирующих признаков Разработанный в [8] алгоритм позволяет обнаруживать нефтяные загрязнения с вероятностью правильного обнаружения 97,59 % при вероятности ложных тревог 0,71 %.
    (check this in PDF content)

  9. Start
    5023
    Prefix
    Исследуемые вещества и границы классов («нефтяное загрязнение» и «земная поверхность») в двумерном пространстве выбранных классифицирующих признаков представлены на рисунке 2 [8]. Рис. 2. Исследуемые вещества и границы классов в двумерном пространстве классифицирующих признаков Разработанный в
    Exact
    [8]
    Suffix
    алгоритм позволяет обнаруживать нефтяные загрязнения с вероятностью правильного обнаружения 97,59 % при вероятности ложных тревог 0,71 %. Однако, разработанный в [8] алгоритм является эвристическим и строго не обоснован, что позволяет надеяться на разработку алгоритма обнаружения нефтяных загрязнений на земной поверхности, обладающего лучшими характеристиками.
    (check this in PDF content)

  10. Start
    5195
    Prefix
    Исследуемые вещества и границы классов в двумерном пространстве классифицирующих признаков Разработанный в [8] алгоритм позволяет обнаруживать нефтяные загрязнения с вероятностью правильного обнаружения 97,59 % при вероятности ложных тревог 0,71 %. Однако, разработанный в
    Exact
    [8]
    Suffix
    алгоритм является эвристическим и строго не обоснован, что позволяет надеяться на разработку алгоритма обнаружения нефтяных загрязнений на земной поверхности, обладающего лучшими характеристиками.
    (check this in PDF content)

  11. Start
    6065
    Prefix
    Определение архитектуры нейронной сети Иску́сственные нейро́нные се́ти (построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма) представляют собой систему соединённых и взаимодействующих между собой процессоров - искусственных нейронов (см., например,
    Exact
    [9-12]
    Suffix
    ). Иску́сственный нейро́н — узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента — линейной комбинации всех входных сигналов.
    (check this in PDF content)

  12. Start
    9607
    Prefix
    При построении нейронной сети в качестве входных данных были использованы интенсивности флуоресценции в трех узких спектральных диапазонах (309,5-317,5 нм, 330,5-338,5 нм, 396,0-404,0 нм с центральными длинами волн 5,3131=λ нм, 5,3342=λ нм и 0,4003=λ нм)
    Exact
    [8]
    Suffix
    . Поэтому в построенной нейронной сети входной слой имеет три входных нейрона. Скрытые (промежуточные) нейроны, выполняют внутренние функции. Весовые коэффициенты w11, w21, w31: w12, w22,w32; w13, w23, w33; w01, w02, w03 – весовые коэффициенты, которые находятся в процессе обучения нейронной сети.
    (check this in PDF content)

  13. Start
    11732
    Prefix
    Одна из причин, по которой сигмоида используется в нейронных сетях, - это простое выражение её производной через саму функцию (которое и позволило существенно сократить вычислительную сложность используемого при обучении нейронной сети метода обратного распространения ошибки
    Exact
    [9,11]
    Suffix
    , сделав его применимым на практике). Выражение для производной экспоненциальной сигмоиды имеет вид: t(x)[1(x)] dx d(x) =σ−σ σ Особенностью нейронов с такой передаточной характеристикой является то, что они усиливают сильные сигналы существенно меньше, чем слабые, поскольку области сильных сигналов соответствуют пологим участкам характеристики.
    (check this in PDF content)

  14. Start
    11849
    Prefix
    , по которой сигмоида используется в нейронных сетях, - это простое выражение её производной через саму функцию (которое и позволило существенно сократить вычислительную сложность используемого при обучении нейронной сети метода обратного распространения ошибки [9,11], сделав его применимым на практике). Выражение для производной экспоненциальной сигмоиды имеет вид: t(x)
    Exact
    [1(x)]
    Suffix
    dx d(x) =σ−σ σ Особенностью нейронов с такой передаточной характеристикой является то, что они усиливают сильные сигналы существенно меньше, чем слабые, поскольку области сильных сигналов соответствуют пологим участкам характеристики.
    (check this in PDF content)

  15. Start
    12383
    Prefix
    Обучение нейронной сети На втором этапе построения сети проводится ее обучение (подбор весовых коэффициентов). При построении нейронной сети использовались алгоритмы обратного распространения ошибки (см., например,
    Exact
    [9,11]
    Suffix
    ). Метод обратного распространения ошибки (англ. backpropagation)— метод обучения многослойного перцептрона. Это итеративный градиентный алгоритм, который используется с целью минимизации ошибки работы многослойного перцептрона и получения желаемого выхода.
    (check this in PDF content)

  16. Start
    16900
    Prefix
    -3,17419683 w12 -3,35544655 w02 -5,26784262 w22 1,537737899 w32 3,196577557 w13 3,105452094 w03 7,672630327 w23 -3,12353886 w33 2,438223534 Из приведенных результатов наиболее приемлемым представляется вариант 2. Он обеспечивает в два раза меньшую вероятность ложных тревог и заметно большую вероятность правильного обнаружения, чем эвристический метод, описанный в
    Exact
    [8]
    Suffix
    . Отметим, что подбор весовых коэффициентов позволяет обеспечить и гораздо лучшие результаты, чем приведенные выше, но только по какой-либо одной из вероятностей – гораздо меньшую величину вероятности ложных тревог или гораздо большую величину вероятности правильного обнаружения.
    (check this in PDF content)