Розробка комбінованої моделі аналізу газових сумішей з використанням методів машинного навчання

Анотація

Аналіз газових сумішей є важливим завданням у спектроскопії, екологічному моніторингу, промисловому контролі та наукових дослідженнях. Точне визначення концентрацій компонентів у складних газових середовищах потребує вдосконалених підходів, що поєднують фізичне моделювання та методи штучного інтелекту. Використання нейронних мереж у спектральному аналізі дозволяє підвищити точність та стійкість розрахунків за змінних умов експерименту, що вказує на актуальність роботи. Метою дослідження є розробка комбінованої моделі аналізу спектрального світлового потоку, яка поєднує фізичне моделювання спектрального поглинання газів із методами машинного навчання. Це забезпечує підвищену точність визначення концентрації компонентів у багатокомпонентних газових сумішах та дозволяє адаптивно коригувати параметри аналізу залежно від умов вимірювання. Запропоновано інтегровану методику, що включає моделювання спектрального світлового потоку на основі гаусових та лоренцівських профілів поглинання, використання рівнянь Бугера-Ламберта-Бера для визначення концентрації газів, а також навчання нейронної мережі для прогнозування світлового потоку. Для оцінки продуктивності розробленої моделі проведено серію чисельних експериментів з варіюванням параметрів мережі та оптимізацією конфігурації. Отримані результати підтвердили високу ефективність моделі, що відображено у високому значенні коефіцієнта детермінації та низьких значеннях середньоквадратичної помилки. Проведено тестування моделі при зміні концентрацій газів та довжини оптичного шляху, що підтвердило її стабільність і здатність до адаптації. Дослідження показало, що оптимальна конфігурація нейромережі включає три приховані шари з оптимальною кількістю нейронів, що забезпечує баланс між точністю та ефективністю. Використано випрямлену лінійну активаційну функцію для стабільної збіжності, а для оптимізації ваг – адаптивний метод стохастичного градієнтного спуску, що покращує продуктивність. Запропонована методика поєднання фізичного моделювання та машинного навчання забезпечує високу точність аналізу газових сумішей та стійкість до варіацій зовнішніх умов. Наукова новизна дослідження полягає у застосуванні комбінованого підходу, що дозволяє адаптувати модель до широкого діапазону спектральних характеристик. Практична значущість роботи полягає у можливості застосування розробленої методики для промислового контролю, екологічного моніторингу та лабораторних досліджень, забезпечуючи надійний інструмент для аналізу складних газових сумішей.