Інформаційна технологія визначення заліза в коагулянті на основі нейронної мережі
DOI:
https://doi.org/10.30837/0135-1710.2021.177.035Ключові слова:
коагулянт, концентрація заліза, багатошаровий перцептрон, кольорність речовини, датчик кольоруАнотація
Для визначення концентрації заліза в коагулянті за його кольором на базі нейронної мережі було розглянуто питання щодо побудови інтелектуальної системи та проаналізовано різні типи нейронних мереж. В ході аналізу обрано найбільш підходящу архітектуру нейронної мережі для вирішення задачі визначення концентрації заліза в коагулянті. Для вирішення поставленої задачі був описаний процес проектування архітектури, проведений аналіз методів навчання, підготовки даних для проведення навчання нейронної мережі, що в подальшому дасть змогу визначати концентрацію заліза в коагулянті за його колірністю. Розроблено структурну схему функціонування нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, описано активаційні функції. Проведений аналіз точності навчання нейронної мережі, за допомогою порівняння даних, отриманих з використанням різних оптимізаторів, із використанням бібліотеки tensorflow. На основі отриманих даних аналізу був розроблений веб-додаток, що може бути використаним в якості складової інформаційно-аналітичної системи автоматизованого керування технологічним процесом електрокоагуляційної очистки стічних вод.
Посилання
Masawat P., Harfield A., Srihirun N., Namwong A. Green Determination of Total Iron in Water by Digital Image Colorimetry // Analytical Letters. Volume 50, Issue 1. 2017. P. 173-185.
Sreenivasareddy Annem. Determination of Iron Content in Water // OPUS Open Portal to University Scholarship, Governors State University. Summer. 2017. P. 1-19.
Juan A. V. A. Barros, Fagner Moreira de Oliveira, Guilherme de O. Santos, Celio Wisniewski, Pedro Orival Luccas. Digital Image Analysis for the Colorimetric Determination of Aluminum, Total Iron, Nitrite and Soluble Phosphorus in Waters // Analytical Letters. Volume 50. Issue 2. 2017. P. 414-430.
Firdaus M. L., Trinoveldi W. Alwi, F., Rahayu I., Rahmidar L., Warsito K. Determination of Chromium and Iron Using Digital Imagebased Colorimetry // Procedia Environmental Sciences. Volume 20. 2014. P. 298 - 304.
Luka G. S., Nowak E., Kawchuk J., Hoorfar M., Najjaran H. Portable device for the detection of colorimetric assays // Royal Society Open Science. Volume 4. Issue 11. 2017. 171025.
Helfer G. A., Magnus V. S., Bock F. C., Teichmann A., Ferraoc M. F., A. B. da Costa. PhotoMetrix: An Application for Univariate Calibration and Principal Components Analysis Using Colorimetry on Mobile Devices // Journal of the Brazilian Chemical Society. Volume 28. Issue 2. 2017. P. 328-335.
Multilayer perceptron: Theory and Applications / ed.: R. Vang-Mata. New York. Nova Science Publishers, 2020. 153 p.
Brownlee J. When to Use MLP, CNN, and RNN Neural Networks. 2019. URL: https://machinelearningmastery.com/when-to-use-mlp-cnn-and-rnn-neural-networks.
Bernico M. Deep Learning Quick Reference: Useful hacks for training and optimization deep neural networks with TensorFlow and Keras. Birmingham, UK: Packt Publishing, 2018.
Hanchett E., Listwon B. Vue.js in Action. Manning Publications, 2018. 304 с. 11. Holovaty A., Kaplan-Moss J. The Definitive Guide to Django. Web Development Done Right. NY, Apress, 2009. 536 p.