Implementation of the indicator system in modeling of complex technical systems

Abstract

EN: Context. The problem of determining the optimal topology of a neuromodel, which is characterized by a high level of logical transparency in modeling complex technical systems, is considered. The object of research is the process of applying an indicator system to simplify and select the topology of neuromodels. Objective of the work is to develop and use a system of indicators to determine the level of complexity of the modeling problem and gradually select the optimal logically transparent topology of the neuromodel. Method. A method is proposed for selecting an optimal, logically transparent neural network topology for modeling complex technical systems using a system of corresponding indicators. At the beginning, the method determines the overall level of complexity of the modeling task and, using the obtained estimate, determines the method for further optimization of the neuromodel. Then, using Task data and input data characteristics, the method allows to obtain the most optimal structure of the neural model for further modeling of the system. The method reduces trainingvtime and increases the level of logical transparency of neuromodels, which significantly expands the practical use of such models, without using neuroevolution methods, which may not be justified by resource-intensive tasks. Results. The developed method is implemented and investigated in solving the problem of modeling the dynamics of pitting processes of steel alloys. Using the developed method made it possible to reduce the training time of the model by 22%, depending on the computing resources used. The method also increased the level of logical transparency of the model by reducing the number of computing nodes by 50%, which also indicates faster and more efficient use of resources. Conclusions. The conducted experiments confirmed the operability of the proposed mathematical support and allow us to recommend it for use in practice in the design of topologies of neuromodels for further solving modeling, diagnosis and evaluation problems. Prospects for further research may consist in the development of methods for structural optimization of previously synthesized models and the development of new methods for feature selection. UK: Актуальність. Розглянуто задачу визначення оптимальної топології нейромоделі, що відрізняється високим рівнем логічної прозорості при моделюванні складних технічних систем. Об’єктом дослідження є процес застосування індикаторної системи для спрощення та вибору топології нейромоделі. Мета роботи полягає у розробці та використанні системи індикаторів для визначення рівню складності задачі моделювання та поступовому підборі оптимальної логічно прозорої топології нейромоделі. Метод. Запропоновано метод для підбору оптимальної, логічно прозорої топології нейронної мережі для моделювання складних технічних систем з використанням системи відповідних індикаторів. На початку метод визначає загальний рівень складності задачі моделювання та використовуючи отриману оцінку визначає спосіб подальшої оптимізації нейромоделі. Потім використовуючи дані про задачу та характеристики вхідних даних метод дозволяє отримати найбільш оптимальну структуру нейронної моделі для подальшого моделювання системи. Метод дозволяє скоротити час навчання та підвищити рівень логічної прозорості нейромоделі, що значно розширює практичне використання таких моделей, без використання нейроеволюційних методів, що можуть бути не виправдано ресурсоємними при ряді задач. Результати. Розроблений метод реалізовано та досліджено при вирішенні задачі моделювання динаміки піттінгових процесів стальних сплавів. Використання розробленого методу дозволило скоротити час навчання моделі на 22%, в залежності від використовуваних обчислювальних ресурсів. Також метод дозволило підвищити рівень логічної прозорості моделі скоротивши кількість обчислювальних вузлів на 50%, що також свідчить про прискорення та більш раціональне використання ресурсів. Висновки. Проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при проектуванні топологій нейромоделей для подальшого вирішення задач моделювання, діагностування та оцінювання. Перспективи подальших досліджень можуть полягати в розробці методів структурної оптимізації попередньо синтезованих моделей та розробці нових методів відбору інформаційних ознак.