АНАЛІЗ ТА ПІДГОТОВКА ДАНИХ ПРИ МОДЕЛЮВАННІ ПЛАЗМОХІМІЧНИХ ПРОЦЕСІВ ОТРИМАННЯ НАНОСИСТЕМ

Автор(и)

  • Makarchenko Viktor
  • Korotka Larysa

DOI:

https://doi.org/10.34185/1562-9945-5-154-2024-04

Ключові слова:

статистичний аналіз даних, регресійні моделі, моделювання плазмохімічних процесів отримання наносистем.

Анотація

Одним із нових напрямів промислової хімічної технології є плазмохімічна. Незважаючи на значні експериментальні та теоретичні дослідження, фізико-хімічні процеси є складними і не повністю вивченими для масштабування та контролю за ними в серійному виробництві. В низькотемпературній плазмі хімічні процеси, закономірності реакцій та основи плазмохімічної технології потребують комп’ютерного моделювання. Експериментальні дані натурних експериментів потребують додаткового аналізу і підготовки щодо подальшого їх застосування та побудови адекватних імітаційних моделей плазмохімічних процесів для розробки наносистем. У ході попереднього експерименту, який фактично включає два етапи, було оглянуто вхідні та вихідні змінні прикладного завдання. Розроблено програмний інструментарій для проведення аналізу експериментальних даних, який дозволяє зібрати статистичну інформацію, візуалізувати деякі процеси. Розглянуто та реалізовано програмно підходи побудови аналітичних та імітаційних моделей плазмохімічних процесів отримання наносистем. Оглянуто два можливих напрямки щодо підходів побудови гомоморфних моделей: класичні та з використанням штучного інтелекту. Запропоновано розглянути лінійні та нелінійні регресійні моделі. В якості першого типу моделей пропонується множинна регресія та ме-тоди, які використовують регуляризацію. Альтернативою першому підходу є побудова нелі-нійних моделей, які базуються на методі опорних векторів. Розглянуто векторну та мульти векторну регресії. Багатовимірна регресія спрямована на вивчення та побудову відображен-ня багатовимірного вхідного простору ознак у багатовимірний вихідний простір. Проведено аналіз отриманих чисельних результатів та запропоновано використовувати для комп’ютерного моделювання нелінійні моделі плазмохімічних процесів для отримання нано-систем, зокрема: мульти векторну регресію.

Посилання

Zhang T., Song Y.-J., Zhang X.-Y., and Wu J.-Y. Synthesis of silver nanostructures by multistep methods. Sensors, 2014. vol. 14, no. 4, pp. 5860–5889.

Skiba M. I., Vorobyova V. I. Synthesis of silver nanoparticles using orange peel extract prepared by plasmochemical extraction method and degradation of methylene blue under solar irradiation. Advances in Materials Science and Engineering, 2019. Р.1-8.

Skiba M., Vorobyova V., Pivovarov A., Makarshenko N. Green synthesis of silver nanoparticles in the presence of polysaccharide: optimization and characterization. Journal of Nanomaterials, 2019. Р.1-10.

Makarchenko V., Korotka L., Skiba M. Neural network modeling of plasma-chemical processes of obtaining nanosystems. International scientific and technical conference Information Тechnologies in Metallurgy and Machine building (ITMM 2023), 2023. р. 99-101 (DOI: 10.34185/1991-7848.itmm.2023.01.024)

Verma S.; Chugh S.; Ghosh S.; Rahman B.M. Artificial Neural Network Modelling for Optimizing the Optical Parameters of Plasmonic Paired Nanostructures. Nanomaterials, 2022. 12, 170. https://doi.org/10.3390/nano12010170

Зеленцов Д.Г., Коротка Л.І. Технології обчислювального інтелекту в задачах моделювання складних систем: монографія. Баланс-Клуб, Дніпро. 2018. 178 с.

Коротка Л.І. Функціональна підсистема раціонального вибору архітектури нейронної ме-режs. Вісник Херсонського національного технічного університету, 2017. 3(62), Том І. (Фун-даментальні науки). С. 55-59.

Коротка Л.І. Аналіз нейромережевих моделей в задачах оптимізації технології енергокон-денсованих систем. Математичне моделювання, 2018. № 1 (38). С. 69-76.

Жерон Орельен Прикладне машинне навчання за допомогою Scikit-Learn та TensorFlow: концепції, інструменти та техніки для створення інтелектуальних систем. Пер. з англ. - СпБ.: ООО «Альфа-книга», 2018. - 688 с.: іл.

Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani. An Introduction to Statistical Learning. Springer Texts in Statistics, 2013. 426 р.

Muhammad Raza, Mumtaz Ahmed, Shahid Razzaque, Hafsa Hina. Testing for Heteroskedasticity in The Presence of Outliers. Journal of Education and Social Studies, 2023. 4(2):313-329. (DOI: 10.52223/jess.2023.4209)

Mike X Cohen. Practical Linear Algebra for Data Science: From Core Concepts to Applications Using Python. O'Reilly Media, 2022. 326 р.

Roderick J.A. Little та Donald B. Rubin. Statistical Analysis with Missing Data. Wiley. John Wiley & Sons, LTD, 2019. 462 р.

Alex J. Smola and Bernhard Schölkopf. A Tutorial on Support Vector Regression. Statistics and Computing, 2004. No.14: 199–222.

Shuo Xu, Xin An, Xiaodong Qiao, Lijun Zhu, Lin Li. Multi-output least-squares support vector regression machines. Pattern Recognition Letters, 2013. Volume 34, Issue 9. P. 1078-1084.

Завантаження

Опубліковано

2024-10-03