Программные продукты и системы

Большинство проектов в сфере нанотехнологий относится к числу наукоемких, в состав ресурсного обеспечения которых включаются интеллектуальные ресурсы (к ним причисляют данные и знания, зафиксированные на материальных носителях или накопленные в виде личного опыта персонала).

Анализ математических методов, исполь- зуемых для управления проектами, показал, что многие из них не пригодны для управления интеллектуальными ресурсами проектов в сфере нанотехнологий из-за того, что нельзя использовать стандартные показатели их измерения (как правило, производительность и стоимость), а также необходимо учитывать влияние фактора неопределенности в условиях невозможности применения вероятностных оценок.

Все это обусловливает актуальность разработки новых подходов и методов управления интеллектуальными ресурсами для наукоемких проектов в сфере нанотехнологий.

Подход к управлению интеллектуальными ресурсами

Процесс управления интеллектуальными ресурсами проектов в сфере нанотехнологий в данном случае включает следующие этапы.

Этап 1. Организация сбора и накопления исходных данных, необходимых для получения интеллектуального ресурса.

Этап 2. Выбор метода преобразования информационных ресурсов в интеллектуальные.

В зависимости от формы представления информационных ресурсов выделяют методы преобразования, отличающиеся степенью формализованности (от экспертных методов до аналитических моделей), формой реализации (лингвистические, математические, программные), скоростью преобразования и рядом дополнительных характеристик [1].

Этап 3. Осуществление процесса преобразования.

Используемые процедуры определяются типом выбранного метода преобразования и являются достаточно формализованными и структурированными.

Этап 4. Исследование свойств полученных интеллектуальных ресурсов.

Среди свойств интеллектуальных ресурсов наибольшее значение имеют точность, достоверность, актуальность и простота извлечения знаний. Для каждого проекта необходимо выбрать свойства интеллектуальных ресурсов и показатели их оценивания. Далее осуществляются выбор методов, позволяющих определить данные показатели, и их практическое использование. Полученные результаты анализируются с помощью заданных критериев, и делается вывод о необходимости улучшения свойств ресурсов. Если такая необходимость есть, то переходят к этапу 5, в противном случае – к этапу 6.

Этап 5. Организация процесса улучшения свойств интеллектуальных ресурсов.

При анализе причин несоответствия интеллектуальных ресурсов заданным критериям может быть принято решение о необходимости перехода к одному из предыдущих этапов для внесения корректив в процесс их реализации.

Этап 6. Разработка модели для сохранения интеллектуальных ресурсов в базе знаний проекта и ее использование.

Для формирования базы знаний необходима разработка моделей, позволяющих хранить информационные ресурсы в формализованном виде и использовать алгоритмы извлечения знаний из описываемых ими интеллектуальных ресурсов.

Этап 7. Разработка модели, описывающей взаимосвязи каждого интеллектуального ресурса с другими и сохранение ее в базе знаний.

Это позволит решать различные исследовательские задачи, возникающие в процессе работы над проектами, в том числе связанными с генерированием новых интеллектуальных ресурсов, а также будет способствовать эффективности их реализации за счет снижения временных затрат.

Практическая реализация разработанного подхода

В настоящее время значительное внимание уделяется получению материалов с низкой удельной массой, коррозийной стойкостью и высокой температурой эксплуатации. Одним из способов получения таких материалов является использование нанотехнологий, в частности, технологий производства керамоматричных и металлокерамических композитов.

Свойства композиционных материалов зависят от ряда параметров, характеризующих их компонентный состав и условия производства. Знания оптимальных значений данных параметров относятся к интеллектуальным ресурсам проектов.

Проследим процесс управления ресурсами для проекта получения стекломатричных композиционных материалов на основе карбида титана. В восстановительных условиях карбид титана сохраняет высокие механические свойства вплоть до температуры 3 500 °С, однако в окислительных условиях он склонен к окислению при температурах выше 400 °С. Одним из способов решения проблемы является получение материалов с использованием матриц на основе стекла. Окислительная стойкость композита зависит от соотношения компонентов и условий обжига. Описание данных зависимостей представляет собой интеллектуальный ресурс.

Формирование информационных ресурсов проекта

На первом этапе необходимо организовать сбор и накопление исходных данных. Для проекта эти данные могут быть получены в ходе физико-химических экспериментов и в результате математического моделирования.

К недостаткам физико-химических экспериментов относятся высокая стоимость, длительные сроки проведения, ограниченность диапазонов варьирования параметров.

Математическое моделирование дает возможность построения аналитических и аппроксимационных моделей, получаемых на основе экспериментальных данных. Аналитические модели не всегда позволяют находить решение задач с требуемой точностью. Качество аппроксимационных моделей в значительной степени определяется качественным и количественным составом исходных данных.

Из сказанного следует вывод о необходимости организации физико-химического эксперимента с целью сбора исходных данных, однако перечисленные недостатки подобных экспериментов ограничивают количество получаемых данных.

Представим характеристику проведенных экспериментов. В качестве матрицы композиционного материала выбрано натрий-боросили­катное стекло. Для армирования использовался карбид титана (TiC) в виде частиц диаметром 1–2 мкм. Содержание TiC варьировалось в пределах 20–70 мас. % с шагом 10 %. Обжиг материалов проводился в аргоне и в вакууме. Исследование устойчивости образцов осуществлялось путем определения изменения их массы в процессе термообработки в диапазоне температур 500–900 °С.

Экспериментальные данные приведены в таблице 1. Они не являются знаниями, так как не описывают существующие закономерности, а лишь позволяют оценить окислительную стойкость композиционного материала в конкретных точках узких интервалов температур и концентраций наполнителя.

Таблица 1

Изменение массы при обжиге в аргоне и в вакууме

Примечание: для каждого значения температуры в первой строке указано изменение массы при обжиге в аргоне, во второй – в вакууме.

Выбор метода преобразования информационных ресурсов в интеллектуальные

  Интеллектуальные ресурсы должны обеспечивать возможность получения значений окисления композита как в более широких диапазонах входных параметров, так и внутри существующих. Решение данной задачи может быть получено с помощью математических моделей, аппроксимирующих зависимость изменения массы от температуры и концентрации наполнителя. В условиях отсутствия сведений о статистических характеристиках экспериментальной выборки целесообразно использовать методы искусственного интеллекта, в большей степени методы искусственных нейронных сетей, являющихся универсальными аппроксиматорами [2]. Однако на практике не существует универсальных рекомендаций, позволяющих выбрать параметры сети, обеспечивающей наилучшее качество аппроксимации для каждого класса задач. Кроме того, такие методы требуют значительного объема исходных данных для получения моделей приемлемой точности. От указанных недостатков частично свобод- ны методы нейро-нечетких (гибридных) сетей, использующие экспертную информацию в виде нечетких продукционных правил, что позволяет снизить размерность обучающей выборки [3]. Таким образом, в качестве методов пре- образования информационных ресурсов в интеллектуальные для рассматриваемого проекта рационально использовать методы искусственных нейронных и нейро-нечетких сетей.

Получение интеллектуальных ресурсов

Существует большое количество нейронных сетей, отличающихся по структуре, алгоритмам обучения, виду функций активации и другим параметрам [4].

Авторы использовали двухслойные нейронные сети, обучаемые в соответствии с алгоритмом обратного распространения ошибки. Все вычислительные эксперименты проводились в пакете Neural Networks Toolbox системы Matlab [5].

Для построения нейро-нечетких моделей экспертами сформулированы следующие правила.

Если Т=0–500, измеряемая величина равна 0 для всех TiC, окисление не происходит.

Если Т=500, измеряемая величина близка к 0 для всех TiC, окисление не происходит.

Если Т=700, идет интенсивное окисление, измеряемая величина растет для всех TiC.

Если Т=900, идет интенсивное окисление, измеряемая величина достигает высоких значений и продолжает расти для всех TiC.

Если Т>900, окисление будет продолжаться до момента достижения значений измеряемой величины порядка 32–33.

На основании описанных правил создана система нечеткого логического вывода, реализованная с помощью инструментов ANFIS-редактора системы Matlab.

В результате операций получены интеллектуальные ресурсы, представленные в форме программных моделей.

Исследование свойств интеллектуальных ресурсов

Важнейшим критерием оценки интеллектуальных ресурсов является точность, с которой может быть получен исследуемый показатель. Она зависит от функции активации нейронов, обучения, настройки, количества нейронов в слое и числа эпох обучения. Для оценки влияния данных параметров авторами были исследованы восемьдесят нейросетевых моделей и получены следующие результаты.

Тип функции обучения существенно влияет на точность нейросетевой модели, изменяя среднюю ошибку от 30 % до 200 %. Модели с наилучшими результатами имеют функцию обучения с алгоритмом обратного распространения ошибки с адаптацией коэффициента скорости обучения и с введенной «инерционностью» коррекции весов и смещений.

Функция коррекции весов и смещений значительно влияет на точность, изменяя среднюю ошибку более чем в 2 раза при прочих равных условиях. Однако трудно дать четкие рекомендации относительно выбора данной функции.

Степень влияния числа нейронов первого слоя намного ниже перечисленных ранее. В исследовании изучалось изменение числа нейронов первого слоя в диапазоне от 10 до 50. Наилучшие результаты показали модели с 20 или 30 нейронами.

Тип функции активации нейронов первого слоя и число эпох обучения не оказывают существенного влияния на величину ошибки моделирования.

Значения ошибок исследуемых нейросетевых моделей представлены в таблице 2.

Таблица 2

Точность нейросетевых моделей, %

Из таблицы 2 видно: средняя ошибка нейросетевых моделей является достаточно высокой, причем в обоих случаях это вызвано большими величинами ошибки в диапазоне температур 500– 550 °С и концентрации в окрестности точки 30 %. Результаты, полученные с помощью модели, дающей наименьшую ошибку, для эксперимента в условиях вакуума представлены на рисунке 1.

Исследование свойств нейро-нечетких моделей показало, что средняя ошибка для модели «аргон» составила 25,68 %, для модели «вакуум» – 15,61 %. Итоги работы модели, обеспечивающей минимальную среднюю ошибку, показаны на рисунке 2.

Результаты исследования свойств интеллектуальных ресурсов, представленных в виде нейросетевых и нейро-нечетких моделей, свидетельствуют о необходимости их улучшения, то есть в соответствии с предложенным подходом о переходе к этапу 5.

Улучшение свойств интеллектуальных ресурсов

Высокая ошибка моделей говорит о необходимости увеличения количества экспериментальных точек для нейросетевых моделей и/или уточнения правил для нейро-нечетких. При реализации мероприятий необходимо учитывать, какой из входных параметров оказывает большее влияние на результаты моделирования.

Такие модели были построены на основе выборок, сформированных путем последовательного включения данных, соответствующих строкам (для анализа влияния температуры) и столбцам (анализ влияния концентрации) из таблицы 1.

Средняя ошибка модели «вакуум» при обучении по строкам составила 38,4 % – для эксперимента влияние температуры очень высоко. Для модели «аргон» влияние параметра несущественно и проявляется в диапазоне низких концентраций. Ошибки моделей, обученных по столбцам, меньше, чем в случае обучения по строкам, следовательно, параметр концентрации оказывает меньшее влияние, чем температура, и варьировать его при проведении дополнительных экспериментов можно с меньшим шагом. С учетом закономерностей были проведены эксперименты, результаты которых использовались для переобучения моделей. Это позволило улучшить их точность в среднем на 12 %, что приемлемо для подобных задач. Модели представления интеллектуальных ресурсов и их взаимосвязей   Выбор модели представления интеллектуальных ресурсов в значительной степени зависит от способа их получения. Наиболее пригодны два варианта – сохранение интеллектуальных ресурсов в виде программных файлов и параметрическое описание, например, с использованием языка XML. Второй подход более затратный, но обеспечивает единообразие форматов представления интеллектуальных ресурсов различных типов. Что касается модели взаимосвязей интеллектуальных ресурсов, то можно использовать идеи когнитивного моделирования. Это позволит оценивать степень взаимного влияния интеллектуальных ресурсов и влияние каждого из них на процесс и результаты проекта.

Приведенный пример показывает, что с помощью разработанного подхода можно формализовать процесс управления и обеспечить возможность решения его отдельных задач. Все это должно способствовать повышению эффективности управления проектами в сфере нанотехнологий за счет минимизации материальных, интеллектуальных и временных затрат.

  Литература

1.   Мешалкин В.П. Экспертные системы в химической технологии. М.: Химия, 1995. 367 с.

2.   Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

3.   Клименко А.Н. [и др.]. Нейро-нечеткий метод построения моделей сложных объектов // Прикладная информатика. 2007. № 3 (9). С. 119–127.

4.   Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. Кн. 8: учеб. пособие для вузов. М.: ИПРЖР, 2002. 480 с.

5.   Дьяконов В.П., Круглов В.В. Математические пакеты расширений MATLAB: спец. справочник. СПб: Питер, 2001. 480 с.