авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Pages:     | 1 | 2 ||

«Башкирский государственный педагогический университет им. М. Акмуллы Уфимский научный центр РАН Академия наук Республики Башкортостан Институт математики с ...»

-- [ Страница 3 ] --

Основным инструментарием моделирования выбрана нейросетевая модель (НСМ). При её построении использовался байесовский подход к управлению качеством обучения,[3]. Вместо одной НСМ, для прогнозных оценок моделируемого показателя Y, строится байесовский ансамбль НСМ (обычно 6-10 НСМ), которые в рамках одной метагипотезы Н содержат совокупность априорных гипотез {hq }, различающихся видом активационных функций f g в промежуточных слоях сети и её архитектурой. Оценка Y находится путём фильтрации гипотез по отклонению от среднего в ансамбле и затем осреднение по оставшимся после фильтрации байесовских гипотез {hq }. В качестве пространства гипотез выбрано W параметрическое семейство функций h : h( x, w ) с заданными ограничениями на значения её параметров W. Например, в случае нейросетевой аппроксимации W есть множество настроенных синаптических весов. В качестве мета-гипотезы H принята парадигма НС многослойный персептрон с алгоритмом обучения типа обратного распространения ошибки [4]. В пространстве гипотез {hq } варьировались архитектура НС и вид активационных функций в скрытых слоях:

гипотеза h1 - НС с одним скрытым слоем с функцией активации сигмоид: f ( s ) =,a 0 ;

1 + e as гипотеза h2 - НС с двумя скрытыми слоями функцией активации сигмоид в обоих слоях;

гипотеза h3 - НС с двумя скрытыми слоями с функцией активации в первом слое и гиперболический тангенс:

f ( s ) = th(bs ), b 0 во втором слое;

гипотеза h4 - НС с одним скрытым слоем с функцией активации гиперболический тангенс;

гипотеза h5 - НС с двумя скрытыми слоями с функцией активации гиперболический тангенс в обоих слоях;

гипотеза h6 - НС с двумя скрытыми слоями с функцией активации гиперболический тангенс в первом слое и сигмоид во втором слое.

Вычислительный эксперимент проводился на разработанной авторами компьютерной программе, моделирующей многослойный персептрон с алгоритмом обратного распространения ошибки. В первом приближении создана система поддержки принятия решений.

Пользователь вводит признаки передачи и на выходе получает оценённый интервал рейтинга. Можно определить рейтинг передачи с определённым набором признаков, ещё до начала её создания.

Система может повлиять не только на составление оптимальной сетки вещания телеканала, но и на выбор производства тех, более рейтинговых передач.





Список литературы 1. Толоконникова А.В. Вещатели и производители программ на российском телевизионном рынке. – М., ПОЛПРЕД Справочники, 2009.

2. Аналитическая справка «Сетка вещания телеканала БСТ:

ориентация на потребности аудитории» – Уфа: Исследовательская компания «Невопрос», 2010.

3. Горбатков С.А., Белолипцев И.И., Фархиева С.А., Полупанов Д.В.

Оценка эффективности алгоритмов предрегуляризации и байесовской регуляризации нейросетей для камеральной налоговой проверки. // Всероссийская научно-техническая конференция XIV «Нейроинформатика-2012»: Сборник научных трудов. Ч. №. – М.:

НИЯУ МИФИ, 2012. – С. 38-48.

4. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. Пособие для вузов / Общая ред. А.Л.

Галушкина. – М.: ИПРЖР, 2001.

Для контактов:

Полупанов Д.В., г. Уфа, Башкирский государственный университет, demetrious@mail.ru.

Усманов А.С., г. Уфа, Башкирский государственный университет, 29104@mail.ru.

Попов С.А., Доцин И.И.

г. Великий Новгород, Новгородский государственный университет им. Ярослава Мудрого Дистанционный метод измерения температуры на основании многооткликовых моделей Дистанционный метод измерения температуры основан на матрице фотодетекторов. Значению яркости каждого пикселя матрицы можно поставить в соответствие значение эффективной температуры. На этапе градуировки матрицы строится градуировочная таблица, в которой для каждой заданной температуры измеряются амплитуды каждого пикселя изображения. Недостатком такого метода является то, что при этом используется интерполяция градуировочной таблицы, что вносит погрешности. Повысить точность оценки температуры и получить ее статистические характеристики можно путем использования математической модели зависимости амплитуды пикселей от эффективной температуры.

Модель зависимости амплитуды пикселей изображения от эффективной температуры представляется в виде многооткликовой функции, известной с точностью до коэффициентов B:

U = F(B, t ) + E (1) где U = {u1, u 2,K, u k }T – вектор амплитуд для каждого пикселя при заданной температуре t, B = {b1, b2,K, bm }T – вектор коэффициентов модели, E = {e1, e2,K, ek }T – вектор ошибок наблюдений амплитуды, F (B, t ) = { f1 (B, t ), f 2 (B, t ),K, f k (B, t )} – вектор функций зависимости T амплитуды от эффективной температуры для каждого пикселя.

Вектор оценок коэффициентов в (1) в общем виде рассчитывается с помощью следующей итерационной процедуры [1]:

n T )[ )], ( ) ( ) ( ( n s +1 = B + P B s, t j VE1P B s, t j s s s P B, t j VE U j F B, t j B j =1 j = (2) где t – значение задаваемой температуры, n – количество наблюдений, VE – ковариационная матрица ошибок наблюдений;

матрица производных по коэффициентам определяется как f (B, t ) F(B, t ) f1 (B, t ) P(B, t ) =,L, m =.

B B B Ковариационная матрица оценок коэффициентов (2) рассчитывается по формуле n T ( ) ( ) VB = P B, U VE1P B, U, j =1 Итерационная процедура расчета вектора оценок температуры принимает следующий вид:

B, T s, U ( ) B, T, U, (3) ( ) s +1 s s T =T T где (B, U, T ) = U F (B, T ).

Ковариационная матрица оценок температур по всем пикселям равна VT = AVB A T + GVEG T.

Матрицы A и G рассчитываются следующим образом:

(B, T, U ) T (B, T, U ) 1 T (B, T, U ) (B, T, U ) 2 (B, T, U ) A = B T T TB, (B, T, U ) T (B, T, U ) 1 T (B, T, U ) 2 (B, T, U ) (B, T, U ) G = U T T TU.

Наилучшая линейная оценка температуры ~ рассчитывается по t формуле:

( ) ~ = LT V 1L 1 LT V 1T (4) t T T где L – вектор размерности m, элементы которого равны единице, T вектор частных оценок, получаемых по формуле (3).

( ) st = LT VT1L,что Дисперсия st2 оценки (4) равна меньше наименьшей из дисперсии частных оценок. При независимых оценках T, т. е. когда ковариационная матрица VT является диагональной матрицей, это выражение приводит к известной формуле для неравноточных наблюдений.

Список литературы 1. Бард Й. Нелинейное оценивание параметров. – М.: Статистика, 1979. – 349 с.

Для контактов:

Попов С.А. г.Великий Новгород, НовГУ, Stanislav.Popov@novsu.ru Раджабов С.С., Кузиев А.Я., Даминов О.А.

г.Ташкент, Институт математики и информационных технологий АН РУз Алтынбеков С.Э.

г.Жеттисай, Университет “Сырдария” Нормализация изображения лица при биометрической идентификации личности Введение В последние годы биометрические технологии развиваются большими темпами. Среди них особое место занимает технология идентификации личности по изображению лица. Преимуществами этой технологии является простота использования, отсутствие специальных требований, высокая точность и относительно низкая стоимость. Несмотря на это, вопросы разработки и применения алгоритмов идентификации личности по изображению лица исследованы недостаточно.

Целью данной работы является разработка алгоритмов предварительной обработки исходных изображений, ориентированных на решение задачи идентификации личности человека по изображению лица. Разработанные алгоритмы могут составить начальную основу при создании автоматизированных систем биометрической идентификации личности человека по геометрическим признакам лица.

Постановка задачи Пусть F – множество допустимых фотопортретов, которое состоит из l непересекающихся классов K1,..., K l :

l F = U K j, Ki K j =, i j, i, j {1,..., l}.

j = Разбиение F определено не полностью, а имеется только некоторая начальная информация I 0 о классах K1, K 2,..., K l. Рассмотрим m ~ фотопортретов S m = {S1,..., Si,..., Sm } :

~ ~~ ~ ~ K j = S m K j, CK j = S m \ K j.

Понятие начальной информации I 0 вводится в виде [1]:

~ ~ ~ ~ I 0 = {S1,..., Si,..., S m ;

( S1 ),..., ( Si ),..., ( S m )}, ( Si ) = ( i1, i 2 ), где значение предиката ij - Pj ( Si ) =" Si K j " ( Si {S}, i = 1, m, j = 1,2 ).

Основная проблема при идентификации личности по изображению лица заключается в формировании пространства признаков по заданному I 0. Одним из центральных вопросов при формировании пространства признаков является задача преобразования исходных изображений лица к нормализованному виду, решение которой обеспечит более точную идентификацию личности. При этом используются алгоритмы предварительной обработки исходных изображений лица.

Метод решения В настоящее время известны различные методы выделения признаков, характеризующих изображение лица. Одним из простых и легко программно реализуемых является метод, основанный на оценке геометрических признаков лица [2]. Но для применения этого метода необходимо сначала нормализовать исходное изображение лица.

В данной работе процесс нормализации исходного изображения лица реализован следующими этапами: 1) улучшение качества изображения;

2) выделение области лица на изображении;

3) определение координат зрачков;

4) приведение изображения лица к стандартной ориентации и одному масштабу.

Для практического использования этих алгоритмов разработаны программы на языке Object Pascal в среде Delphi. Работоспособность этих программ проверено при решении задачи выделения признаков изображений лица.

В рассматриваемой выборке для каждого класса имелось по изображений лица. Число классов (людей) равно 10.

Проведенные экспериментальные исследования показали высокую точность разработанных алгоритмов выделения признаков при решении задачи идентификации личности по изображениям лица, чему, на наш взгляд, способствовал этап нормализации этих изображений. В результате эксперимента сформирован набор признаков, который позволяет разбить объекты рассматриваемой выборки на 10 классов с приемлемой ошибкой.

Заключение Разработанные алгоритмы могут быть использованы при составлении различных программных комплексов, ориентированных на решение задачи распознавания личности человека по изображению лица.

Список литературы 1. Журавлев Ю.И. Избранные научные труды. – М.: Магистр, 1998. – 420 с.

2. Самаль Д.И. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований: Дисс. на соиск. уч. ст.

канд. техн. наук. – Минск: Институт технической кибернетики НАН Беларусь, 2002. – 166 с.

Для контактов:

Раджабов С.С., г.Ташкент, ИМИТ АН РУз, s_radjabov@yahoo.com.

Кузиев А.Я., г.Ташкент, ИМИТ АН РУз, kuziev.abdulla@gmail.com.

Даминов О.А., г.Ташкент, ИМИТ АН РУз, odaminov@mail.ru.

Алтынбеков С.Э., г.Жеттисай, Университет “Сырдария”, altynbekovs@mail.ru.

Романюк Р.Г.

г.Брест, Брестский гос. университет им. А.С. Пушкина XML -разметка баз Translation Memory Технология Translation Memory заключается в группировании фрагментов ранее переведённого текста на целевом языке с исходным языком в контролируемой программной среде перевода.

Сгруппированные записи (параллельный исходный и целевой текст) хранятся в базе данных. При следующем обновлении документа осуществляется поиск в базе с целью нахождения любого неизменившегося текста. Там, где такие фрагменты обнаружены, текст на исходном языке может быть заменён на целевой.

Современная индустрия перевода все больше ориентируется на использование XML (eXtensible Markup Language) – расширяемого языка разметки, который стал основой высоконадежной технологии для представления и передачи любой информации. С одной стороны, стандарты языка XML широко применяются и используются в технологиях и системах автоматизации процесса перевода, так как он очень удобен для поддержки перевода и локализации. XML поддерживает текст на многих языках, которые могут читаться справа налево или слева направо, иметь собственные правила для неотображаемых и составных символов, требовать дополнительной адаптации в зависимости от особенностей региона. XML поддерживает различные типы кодирования текста, предоставляя возможность задавать кодирование, применяемое в каждом документе. Например, спецификация OASIS (определяющая XML модель для обмена переводимого текста из любого частного формата);

стандартов локализационной отрасли, LISA (ассоциация объединяющая основанные на XML программы). С другой стороны, XML-стандарты стали настолько популярными в других областях, что доля XML-документации в области технического перевода и локализации (в совокупности превышающих 85% всех межъязыковых переводов на глобальном рынке) становится превалирующей.

Например, на XML основаны форматы Microsoft Office, Open Office, FictionBook, ePub, MathML(XBRL), интеграции мультимедийных средств (SMIL), метаописаний ресурсов и стандарты обмена данными в системах Translation Memory (XLIFF, TMX, SRX).

Традиционный подход к переводу XML-документов с помощью систем Translation Memory, как правило, требует XML-парсинга для конвертации переводимого текста и атрибутов во внешний, обычно, частный формат, в котором в данных ищутся совпадения переводческой памяти. По завершении процесса перевода заново переведённые предложения записываются в обычные нестандартизированные базы Translation Memory. В системах такого класса XML рассматривается только как один из форматов. Каждый документ в формате XML содержит сочетание разметки и текстовых данных. При помощи разметки документ структурируется, а символьные данные представляют собой содержание страницы.

Файлы XML не имеют заранее определенной структуры. XML является метаязыком, в котором можно задавать собственные теги для определения структуры данных. XML позволяет определять частные языки разметки, наиболее подходящие для структурирования информации о конкретной предметной области. Поэтому для корректного перевода XML-документов требуется дополнительная информация, которая обычно сохраняется в отдельном файле и описывает правила перевода различных тэгов и их атрибутов.

Редактор правил XML обычно позволяет создавать, открывать, сохранять и удалять файлы правил разметки, создавать и редактировать сами правила для элементов атрибутов тегов и объектов XML-документа. Определяемая требованиями стандарта валидность XML-документов позволяет их рассматривать как строгое дерево общего вида, одну из основных структур данных, используемых в современном программировании и построении математических моделей. Поэтому достаточно просто в автоматическом режиме по валидному XML-документу сгенерировать соответствующий набор правил, который при необходимости может быть отредактирован вручную. Важно отметить, что нередко используются для парсинга XML-данных средства, созданные для анализа HTML-документов. Такой подход не может быть признан продуктивным. HTML-документ (в соответствии с особенностями стандарта), как правило, не бывает валидным и не может рассматриваться как XML-данные. Библиотеки, реализующие такой подход, больше времени уделяют преобразованию HTML в XML и уже потом непосредственно парсингу данных, что крайне неэффективно.

Более широко XML-парсинг может быть использован для перевода XML-документов, в которые внедрена служебная информация семантического описания (например, с использованием xml:tm, основанного на пространствах имен XML-синтаксиса). Такой подход дает дополнительные преимущества для машинного перевода, которые являются следствием самого использования технологии.

XML-разметка позволяет гибко организовать работу с Translation unit (сегментами, единицами перевода) и Аlignment (выравнивание – выявление в переводимом тексте фрагментов, переводы которых уже имеются в базе данных переводов), использовать Exact match (точное соответствие) и Fuzzy match (неточное соответствие), препроцессоры и зарезервированные слова.

Актуальной задачей является дополнение пространства имён текстовой памяти грамматическим пространством имён, чтобы обеспечить возможность внедрения грамматической информации в XML-документы и обмена ею между различными приложениями.

Для контактов:

Романюк Р.Г., г.Брест, Брестский гос. университет им. А.С. Пушкина romanjkrg@tut.by Русинов А.А.

г.Бирск, Бирская государственная социально–педагогическая академия Численное моделирование процесса образования гидрата В современном мире возникла новая проблема, связанная с техногенными авариями – утечка газа из скважин в морских глубинах.

Об этом свидетельствует недавняя катастрофа в Мексиканском заливе, которая привела к серьезным экологическим последствиям.

[1]. Для устранения подобных аварий различными нефтяными и газовыми компаниями, а также ведущими учёными предлагаются десятки, сотни и даже тысячи идей, многие из которых не находят своего применения. Поэтому на сегодняшний день остро стоит проблема разработки методов, с помощью которых можно было бы эффективно и оперативно устранить аварии такого рода.

В работе построена математическая модель и разработаны теоретические основы технологий по ликвидации утечек и выбросов газа из подводных источников, образованных в результате аварий на нефтегазовых скважинах с помощью процесса образования гидрата в вертикальной скважине.

Рис. 1 Фазовая диаграмма.

Согласно предлагаемой технологической схеме, к месту утечки газа, опускается металлическая конструкция, имеющая форму цилиндра внутри которой имеется система алюминиевых решеток. В вертикальный канал снизу поступает вода и углеводородные соединения. В результате этого происходит образование гидрата, как в восходящем потоке, так и на алюминиевой решётке, и как следствие приведет к полному закрытию места утечки газа.

Известно, что температура воды около морского дна составляет в среднем 40С [2]. При этом давление на глубине, где произошла авария в Мексиканском заливе, составляет порядка 15 МПа. На рис. представлена фазовая диаграмма, соответствующая условиям образования и разложения гидрата. Установлено, что естественные термобарические условия в районе дна Мексиканского залива способствуют образованию гидрата.

Полученные в работе результаты исследований расширяют теоретические представления о процессе образования газовых гидратов на морских глубинах, которые могут быть использованы при планировании и проведении комплекса инженерно–технологических мероприятий по ликвидации аварий на трубопроводах в условиях Мирового Океана.

Список литературы 1. John Mc Quaid, The Gulf of Mexico Oil Spill: An Accident Waiting to Happen, Washington Post. 12, 8-9 (2010).

2. Дмитриевский А.Н., Баланюк И.Е. Газогидраты морей и океанов – источник углеводородов будущего.– М.: ООО «ИРЦ Газпром», 2009, 416 с.

Для контактов:

Русинов А.А., г. Бирск, БирГСПА, irtysh2009@mail.ru.

Рыжиков С.Б.

г. Москва, лицей «Вторая школа»

Моделирование задач кинематики с одаренными школьниками 7-го класса Обучение одаренных детей накладывает на педагога определенную ответственность, необходимость отвечать высокому уровню учеников. Успевающим школьникам требуется подбирать достаточно сложные и интересные задачи, иначе им будет неинтересен предмет (и учитель). Но, с другой стороны, наличие остальные детей в классе не позволяет быстро пробегать темы учебника, поэтому приходится делать специальную подборку задач, опираясь на общий уровень математического аппарата.

Одним из возможных способов развития способностей одаренных детей является проведение с ними проектно исследовательских работ с применением компьютерного моделирования. Поскольку школьники не всегда умеют программировать, можно воспользоваться электронными таблицами MS Excel или их аналогом в свободно распространяемом пакете Open Office.

Изучение физики традиционно начинается в 7-ом классе с изучения простейших видов движения. Обычно учебник 7-го класса ограничивается равномерным движением, в некоторых учебниках говорится о равноускоренном движении. Компьютерное моделирование позволяет изучать более сложные движения.

Рассмотрим для примера задачу московской городской олимпиады (№1.21 из [1], формулировка немного изменена).

Задача Когда муравей находился в точке A на расстоянии l A =1 м от муравейника, то он заметил, что муравейник начал закрываться на ночь. Он тут же поспешил вернуться по прямой линии к муравейнику.

При этом на некотором отрезке AB его скорость менялась по закону = k / l, где l – расстояние до муравейника, а k – постоянная величина, равная 0,01 (м2/с). Определите, за какое время муравей добежит до точки B, находящейся от муравейника на расстоянии l B =0,5 м.

Заметим, что данная задача:

– является очень сложной для школьников 7-го класса;

– может быть быстро решена численно;

– имеет аналитическое решение, доступное ученикам 7-го класса.

Решение (на компьютере) В качестве модели представим движение муравья как множество малых интервалов t (например, 0,1 с, можно взять меньше), на которых он движется равномерно, а его скорость мгновенно меняется на границе интервалов. Для вычисления пути потребуется три столбца электронной таблицы: A – время, B – скорость и C – расстояние до муравейника. Занесем начальные значения: времени – A2 = 0, расстояния – C2 = 1. Запишем значение интервала времени в ячейку D2 = 0,1, и значение коэффициента k – E2 = 0,01 (м2/с). Занесем формулы для вычисления скорости и пути (см. таблицу).

Ячейка Формула электронной Математическая таблицы формула A3 =A2+D$2 tn +1 = tn + t B2 =E$2/С2 n = k / ln C3 =С2-B2*D$2 ln +1 = ln n t Откопируем формулы до строки 400 (пока значение расстояния до муравейника не станет равным 0,5).

Поскольку численные методы приближенные, то значение пути ни в какой ячейке не будет точно равно 0,5 (м). Действительно, в строке расстояние равно 0,50069 м, а в 378 строке расстояние уже меньше 0,5 м – 0,49869 м. Таким образом, мы получили время движения муравья 37,5 (с) с точностью 0,1 (с).

Далее полезно предложить школьникам получить аналитическую формулу, меняя значения l A, l B и k. Например, можно предложить им сделать анализ решения в качестве домашней работы.

Если школьникам интересна задача, то они достаточно быстро находят, что время движения пропорционально разности квадратов расстояний и обратно пропорционально коэффициенту k.

2 t = 0,5 (l A lB ) / k Чтобы полученный ответ не «повис в воздухе», его нужно сравнить с графическим решением.

Решение (графическое) Проще всего решить задачу графически, представив движение в осях 1/ от l. В этих осях площадь под графиком численно равна времени движения. Указанное в задаче движение муравья будет представлять собой участок прямой линии с угловым коэффициентом k (см. рис. 1).

Рис. К решению задачи о движении муравья Время движения численно равно площади трапеции:

2 t = 0,5 (l A lB )(1 / A + 1 / B ) / k = 0,5 (l A lB ) / k, что совпадает с полученной выше формулой.

Опыт работы с одаренными школьниками в лицее «Вторая школа» показывает, что решение сложных задач с помощью компьютера (в классе, в кружке, в качестве домашнего задания) позволяет разнообразить задачи и сделать обучение физики одаренных школьников более интересным. Примеры других задач, решаемых численными методами можно найти в [2, 3].

Список литературы 1. Задачи московских физических олимпиад. Под. ред. С.С.

Кротова. – М.: Наука, 1988.

2. Рыжиков С.Б. Классический опыт Галилея в век цифровой техники. Учебное пособие. – М.: МЦНМО. 2008.

3. Рыжиков С.Б. Беседы и компьютерные расчеты, касающиеся нескольких занимательных задач механики. М.: МГДД(Ю)Т, 2011.

Для контактов:

Рыжиков С.Б., г. Москва, лицей «Вторая школа», phys-school@rambler.ru Савин А.И., Лушников Б.В.

г.Курск, ФГБОУ ВПО «Юго-Западный государственный университет»

Математическое моделирование автоматизированного комплекса для изучения трибологических свойств материалов Автоматизированный комплекс предназначен для изучения таких свойств материалов, как шероховатость поверхности, наличие инородных включений, износостойкость и сопротивление движению, а также изучения влияния вибрации на свойства трения в исследуемых трибопарах. Математическое моделирование данного комплекса представляет большой научный интерес. На рис. 1.

изображена исследуемая система. В данной системе привод приводит в движение платформу 2 на которой установлено покоящееся тело 3 связанное упругим 4 и вязким 5 элементами с парой опор 6. При возникновении трения между платформой и покоящимся телом, оно увлекается вслед за платформой вплоть до достижения определенного критического значения натяжения пружины, при котором происходит срыв тела и устремление его в изначальное положение.

Рис.1. Исследуемая механическая система На основе показанной расчетной схемы была составлена система уравнений (1) m&&1 = Fупр11 - Fупр12 - Fд11 - Fд12 + Fтр1* x m&& 2 = -Fтр2 + Fтр1 + FЭД x (1) m&&1 = y m&& = y d L я i я + rя i я = E (t ) Ce w dt d C m i я M = J dt w На основе полученных вычислений составим в среде Simulink модель данной системы (рис. 2). Данная математическая модель включает в себя модели сил трения между покоящимся образцом и подвижной платформой и между платформой и направляющей, сил упругости и вязкого сопротивления, а также модель электродвигателя с учетом нагрузки на вал.

Рисунок 2. Математическая модель исследуемой механической системы Моделирование электродвигателя осуществляется в блоке motor, подсистема CreateFTR1 формирует силу трения между покоящимся телом и подвижной платформой, подсистема CreateFTR2 формирует силу трения между подвижной платформой и основанием Результаты, полученные в ходе математического моделирования, позволили получить достоверные данные о физических процессах происходящих при работе данного комплекса, что позволит в дальнейшем получать более качественные и точные результаты экспериментов.

Список литературы 1. Савин А. И. Автоматизированный диагностический комплекс для изучения трибологических свойств материалов [Текст] / А.И.

Савин, // Сборник работ победителей отборочного тура Всероссийского конкурса научно-исследовательских работ студентов, аспирантов и молодых учёных по нескольким междисциплинарным направлениям, г. Новочеркасск, октябрь-ноябрь 2011 г./ Мин-во образования и науки РФ, Юж.-Рос. гос. техн. Ун-т.(НПИ). – Новочеркасск: Лик, 201. – с. 211-213.

Савин С.И.

г. Курск, ФГБОУ ВПО «Юго-Западный государственный университет»

Математическое моделирование процесса фиксации устройства автоматического перемещения медицинского эндоскопа Для получения полной информации о процессе деформации роботом полости запишем систему уравнений, описывающих этот процесс.

Расчетная схема показана на рисунке 1.

– обобщенная координата, привязанная к контактному элементу 2;

y y 3 – обобщенная координата, привязанная к контактному элементу 3;

d – диаметр недеформированной полости Рисунок 1 Расчетная схема для расчетов деформации полости в динамике Рассматриваем случай, когда устройство располагается таким образом, что сила тяжести направлена перпендикулярно осям OX и OY. Принято следующее допущение: упругие стенки полости заменены упруго-вязкими элементами, закрепленными на жестких стенках. Упруго-вязкие элементы имеют коэффициенты жесткости c2, c 3 и коэффициенты вязкости µ 2, µ 3 соответственно. Запишем выражение для сил, действующих на стенки:

F1 tg ( ) F2 = F3 = (1).

Запишем второй закон Ньютона для контактных элементов 2 и 3:

m2 &&2 = F2 Fупр 2 Fвяз y m3 &&3 = F3 + Fупр3 + Fвяз y (2).

Раскрыв значения сил вязкости и упругости запишем второй закон Ньютона для контактных элементов 2 и 3:

m 2 &&2 = F2 c 2 y 2 µ 2 y & y m3 &&3 = F3 c 3 y 3 µ 3 y & y (3).

Данные уравнения справедливы для случая, когда контактные элементы упираются в стенки полости. Для случая, когда контактные элементы не упираются в стенки система (3) примет вид:

m 2 &&2 = F y m3 &&3 = F y (4).

Таким образом, система принимает следующий вид:

c 2 y 2 + µ 2 y 2 если y 2 & m 2 &&2 = F y 0 если y 2 m && = F c3 y 3 + µ 3 y 3 если y 3 & 3 y 0 если y 3 (5).

Угол выразим, записав деформацию, как сумму y 2 и y3 :

d + y 2 + y3 b = arcsin 2l (6).

Система уравнений (5) с учетом уравнений связи принимает вид:

c 2 y 2 + µ 2 y 2 если y 2 & m2 &&2 = F1 tg ( ) y 0 если y 2 c3 y 3 + µ 3 y 3 если y 3 & m3 &&3 = F1 tg ( ) y 0 если y 3 d + y 2 + y3 b = arcsin 2l (7).

Таким образом, было получено уравнение, описывающее воздействие устройства на стенки полости.

Список литературы Савин С.И. Расчет деформации полости при работе устройства 1.

автоматического перемещения эндоскопа / С.И. Савин // Моделирование и анализ информационных систем. Труды международной научной конференции. / Ярославский гос. ун-т им. П.Г. Демидова – Ярославль, 2012. – с. 158-160.

Садыкова Г.Ф., Захарова Ю.В., Южакова С.В.

г. Уфа, Башкирский государственный университет Методы предрегуляризации и предобработки данных при построении нейросетевых моделей экономических и технических объектов в условиях искажения информационного пространства признаков Исследуются вопросы предрегуляризации обратных задач восстановления многофакторных нелинейных зависимостей, скрытых в данных при построении нейросетевых моделей (НСМ) экономических и технических объектов в условиях существенного искажения информационного пространства признаков. Здесь можно выделить ряд практических приложений, в частности:

1. Задачи налогового контроля [1-2]:

- оценка финансовых показателей примерно однородной группы налогоплательщиков и определение степени искажения налоговых деклараций;

- дискриминация налогоплательщиков на «законопослушных» и «нарушителей» налогового законодательства;

- ранжирование налогоплательщиков с целью составления оптимального плана отбора для проведения выездных проверок;

Задачи прогнозирование корозийных разрушений 2.

магистральных трубопроводов [3].

В общую модель построения НСМ «вкладывается» совокупность субмоделей, с помощью которых выполняются операции по структурированию информационного пространства: оптимальный итерационный процесс экспертных оценок с дообучением экспертов по выбору зависимых и независимых переменных НСМ;

оптимальный итерационный процесс отбраковки аномальных, неинформативных и противоречивых строк из базы данных (БД). Рассмотрим процедуры построения таких моделей более подробно.

Первоначально проведена процедура удаления «противоречивых»

вектор-строк наблюдений. В каждой строке данных вычисляются нормы векторов x, которые ранжируются в порядке возрастания, образуя s вариационный ряд x 1,K, x s,K, x N. Для каждой пары близких по норме векторов x и x вычисляется константа Липшица s + s Пара, для которых L 1, считается L = y s y s +1 x s x s +1.

противоречивой, удаляется из БД и не участвует в дальнейшем обучении НСМ. Большие значения L могут быть вызваны тем, что для близких по норме векторов x s и x s +1 модуль разности y s y s +1 велик, что говорит о сознательном искажении данных.

Следующий шаг заключается в использовании методики последовательного выбора части информационного пространства [4]. Из БД, на каждом шаге построения НСМ, последовательно удаляются наблюдения, для которых выходная величина не удовлетворяет условию m y k y y i m y + k, и входные факторы X, для которых не j выполняется больше, чем M r раз, условие mX k X xii m X + k X.

j j j j Здесь m• - среднее значение, • - стандартное отклонение, параметры k и r последовательно уменьшаются на каждом шаге построения НСМ.

Сущность итерационной процедуры очистки кластера от аномальных наблюдений заключается в следующем. Из БД последовательно удаляются наблюдения, для которых отклонения между фактическим (декларированным) и расчетным с помощью НСМ значениями выходной величины больше некоторого заданного. Номер оптимальной итерации очистки определяется из условия (( )( )) k : min I ( € i y i ) y i, i = 1, N k. Здесь Ф = E ( k ) S ( k ) (k) (k) (k ) (k ) y k – обобщенный критерий качества НСМ;

E ( k ) = € ( k ) y y - ошибка y обобщения - характеризует точность субмоделей €( q ) = f ( x ) ;

y характеризует устойчивость субмоделей, S = € k ) € k ) x x y( y( векторы x, x близки по норме. Результаты моделирования, проведенные для выборки сельскохозяйственных предприятий, а также для участков магистральных трубопроводов показывают, что последовательное применение указанных процедур позволяет снизить уровень ошибки обобщения E и финишного критерия Ф в среднем на один-два порядка Список литературы 1. Нейросетевое математическое моделирование в задачах ранжирования и кластеризации в бюджетно-налоговой системе регионального и муниципального уровней / С.А Горбатков, Д.В.

Полупанов и др. – Уфа: РИЦ БашГУ, 2011. – 224 с.

2. Горбатков С.А., Белолипцев И.И., Фархиева С.А., Полупанов Д.В. Оценка эффективности алгоритмов предрегуляризации и байесовской регуляризации нейросетей для камеральной налоговой проверки. // XIV Всероссийская научно-техническая конференция «Нейроинформатика-2012»: Сборник научных трудов. Ч. 3 – М.: НИЯУ МИФИ, 2012. – С. 38-48.

3. Бесхлебнова Г.А. Моделирование процессов коррозийных повреждений магистральных трубопроводов для оценки технических и техногенных рисков. Автореф. дисс… к.т.н.: 05.13.18. Уфа, Уфим. гос.

авиац. тех ун-т., 2007.

4. Гусев А.Л. Выбор информационного пространства для построения нейронной сети как модели управления в условиях зашумления и неполноты данных // Нейрокомпьютеры: разработка, применение. – 2011, № 7. – С. 55-77.

Для контактов:

Садыкова Г.Ф., г. Уфа, Башкирский государственный университет, ssgulnira@mail.ru Захарова Ю.В., г. Уфа, Башкирский государственный университет, fin11190@rambler.ru Южакова С.В., г. Уфа, Башкирский государственный университет, laska5072@yandex.ru Саитгалина А.Д, г.Уфа, Башкирский государственный университет Сабиров Д.Ш., Губайдуллин И.М.

г.Уфа, Институт нефтехимии и катализа РАН Разработка программы «Volume»

Фуллерены – это особый класс полых полиэдрических молекул.

С момента открытия С60 и С70 особым интересом у экспериментаторов стали пользоваться разные варианты образования их эндоэдральных комплексов – топологических соединений, в которых атом или группа атомов расположены во внутренней полости фуллерена [1]. Этот интерес обусловлен многими причинами. В частности, такие комплексы предполагается использовать в качестве блоков наноустройств и нанокапсул для хранения газов. В настоящее время получены эндофуллерены с различными инкапсулированными атомами (He, Ne, Ar и др.) и малыми молекулами (H2O, N2, СО) [1-2], а также теоретически показана возможность образования таких комплексов более сложной структуры (nH2@C60, С6Н6@C60 и др.).

Очевидно, перечень атомов и молекул, вводимых внутрь каркасов фуллеренов и их производных будет в дальнейшем расширяться, в связи с чем появляется необходимость предварительной оценки возможностей образования эндоэдральных комплексов, заключающаяся в сравнительном анализе геометрических параметров каркаса фуллерена и вводимых в его внутреннюю полость атомов и молекул. Ключевым параметром, характеризующим возможность инкапсулирования, является внутренний объем фуллерена, который может изменяться при переходе от одного фуллерена к другому, а также при функционализации их молекул. Влияние функциональных групп на внутренний объем молекул фуллеренов ранее не изучалось, поэтому авторами поставлена задача скрининга таких соединений на предмет возможности инкапсулирования. На первом этапе этого исследования разработан алгоритм вычисления объема макромолекул, в основе которого лежит разбиение полиэдрической молекулы на симплексы (пирамиды), вычисление их объемов и последующее суммирование. Предложенный алгоритм допускает использование технологии параллельных вычислений, что позволяет сократить время при решении поставленной задачи. Программный комплекс «Volume», реализующий этот алгоритм, предполагается использовать для поиска фуллеренов и их производных с необходимыми значениями объема внутренней полости и оценки возможности их инкапсулирования.

Программа «Volume» была использована для изучения зависимости объема фуллеренов от числа атомов в молекуле, которая, как показали вычисления, не является линейной (рис. 1).

Рис. 1. Зависимость объема фуллеренов V(Cn) от числа атомов в молекуле Установлено (см. рис. 1), что изомеры фуллерена С78, характеризующиеся одинаковым числом атомов в молекуле, но разными точеными группами симметрии, имеют неодинаковые объемы.

Список литературы 1. Y. Rubin. Ring Opening Reactions of Fullerenes: Designed Approaches to Endohedral Metal Complexes // Topics in Current Chemistry, 1999, V.

199, P. 67-91.

2. M. Saunders, H. A. Jimenez-Vazquez, R. J. Cross, S. Mroczkowski, M.

L. Gross, D. E. Giblin, R. J. Poreda. Incorporation of helium, neon, argon, krypton, and xenon into fullerenes using high pressure // Journal of American Chemical Society, 1994, v. 16, p. 2193–2194.

Для контактов:

Саитгалина А.Д., г.Уфа, Башкирский государственный университет, Albina182007@gmail.com.

Сабиров Д.Ш., г.Уфа, Институт нефтехимии и катализа РАН, diozno@mail.ru.

Губайдуллин И.М., г.Уфа, Институт нефтехимии и катализа РАН, irekmars@mail.ru.

САИТОВ Р.И., КУТЛОВА Г.Р.

г.Уфа, Башкирский государственный педагогический университет им. М. Акмуллы РАЗВИТИЕ СИСТЕМНОГО МЫШЛЕНИЯ СТУДЕНТОВ В ХОДЕ ПРЕПОДАВАНИЯ ТЕОРИИ ИНФОРМАЦИОННЫХ ПРОЦЕССОВ И СИСТЕМ Повышение качества подготовки специалистов составляет не только одну из ключевых установок государственной образовательной политики, что отмечено в документах Министерства образования и науки РФ («Национальная доктрина образования в Российской Федерации», «Федеральная программа развития образования» и др.), но и одно из приоритетных направлений научных исследований, раскрывающих методологические и теоретические основы формирования содержания общего и профессионального образования.

В качестве одного из инструментов повышения эффективности подготовки специалистов мы видим овладение студентами аппарата системного анализа, что подразумевает наличие у будущих специалистов в области информационных технологий системного мышления, которое мы рассматриваем как необходимое условие эффективной деятельности инженера. Современный специалист в сфере информационных технологий по роду своей профессиональной деятельности должен быть подготовлен не только к технологической, проектно-конструкторской и научной деятельности, но и к решению организационно-управленческих задач.

В учебные планы непедагогических специальностей Института профессионального образования и информационных технологий Башкирского государственного педагогического университета им. М. Акмуллы включены дисциплины «Системный анализ и теория систем», «Теория информационных процессов и систем», цель изучения которых – развитие системного мышления у студентов.

При изучении дисциплин особое внимание уделяется следующим разделам: понятие системы, эмерджентность, целостность системы, методы описания систем, моделирование систем, методология решения неструктуризованных, слабо структуризованных, хорошо структуризованных проблем, принятие решений в процессе системного проектирования, современные тенденции в области системного анализа. Рассматриваются причины развития системных исследований. Характеризуются первые концепции и школы теории систем, системотехники, системологии, системного анализа;

их взаимодействие со школами кибернетики, исследования операций и теории информации и теории организационных систем.

При объяснении раздела, посвященному закономерностям и свойствам систем, особое внимание уделяется первому определению системы – как средства достижения цели. Отдельно следует объяснять, что исследователь при изучении системы должен первоначально выделить только наиболее устойчивые связи, непосредственно и значительно влияющие на решение поставленной задачи и поддающиеся оценке.

Задача преподавателя – объяснить, что альтернативное системному мышлению – предметное мышление, рассматривающее объекты изолированно, без учета всех существенных частей и связей между ними, является недопустимым для современного специалиста.

Что обязательным условием успешной профессиональной деятельности является учет внешних и внутренних факторов, исследуемых объектов и процессов, которые должны рассматриваться не только сами по себе, но и в связи со многими другими объектами и процессами.

Таким образом, дисциплины, включающие системный анализ способствуют выработке навыков организационно-управленческой деятельности у студентов информационных специальностей. Сегодня особенно важно соединение общетеоретических знаний об организации и управлении с профессиональными знаниями, то есть формирование системы деятельности по специальности.

Саитова Э.С.

г.Уфа, Башкирский государственный аграрный университет Новые информационные технологии как метод обучения студентов ВУЗа В настоящее время бурно выражены информационные технологии во всех сферах жизни и деятельности человека.

Информатизация общества тесно связана с информатизацией образования. Только обладая достаточным уровнем технологической подготовленности и "информационной культуры", молодой специалист способен адекватно действовать в окружающем мире, ориентироваться в проблемных ситуациях, находить рациональные способы решения различных проблем.

Уровень современных студентов совершенно другой, чем еще несколько лет назад. Многие студенты ближе к бизнесу, они живут в другом, открытом мире, где меньше границ и больше возможностей.

Молодежь легче осваивает новые технологии и готова много учиться и работать, они более практичны, умеют планировать свое будущее, понимают свою цену и ценность, а также стремятся не жить, чтобы работать, а работать, чтобы жить. Поэтому главной задачей для них является обучение. По мнению экспертов, информационные технологии необходимы для организации учебного процесса, хозяйственной деятельности и научной работы.

Использование новых информационных технологий в образовании способствует:

• совершенствованию стратегии отбора содержания образовательных программ, методов и организационных форм обучения;

расширению видов учебной деятельности при условии • реализации современных технологий (компьютеризированные курсы обучения, информационно-справочные и экспертные системы, мультимедиа-технологии, "виртуальная реальность");

• переходу от авторитарного, иллюстративно-объяснительного обучения к проблемному, творческому для овладения студентами самостоятельно приобретать новые знания, используя новые технологии информационного взаимодействия с имитационными моделями объектов, процессов и явлений.

Переход вузов на новые образовательные стандарты обуславливает необходимость в таких инструментах как системы для учета успеваемости, ресурсов, абитуриентов, студентов, а также системы, аналогичные BPM (Business Process Management), для реализации перехода абитуриента к статусу студента, с курса на курс, с программы на программу.

Расширяется использование дистанционного обучения (ДО).

Системы ДО требуются не только самим вузам, но и для проведения удаленного тестирования, контроля знаний, основанные на методиках моделирования деятельности и сетевых процессов.

В научной работе могут применяться специализированные решения.

Для решения задач в различных областях науки используются математические, химические и статистические пакеты, предназначенные для обработки экспериментальных данных и результатов математического моделирования. Использование интерактивных средств обучения таких как аудиовизуальная среда позволяет, например, установить камеры на микроскоп и показывать опыт на большом экран, то есть вести обучение в новых условиях.

Применение таких наглядных средств пригодится вузу и в хозяйственной, и в научной деятельности: с их помощью, например, совет директоров сможет проводить рабочие заседания с представлением отчетов, докладов, презентаций. В научной работе, которая может быть коллективной, аудиовизуальные технологии помогут везде, где требуется взаимодействие более чем двух человек.

Сегодня внимание мира информационных технологий приковано к передовым технологиям — социальным сетям, мобильным и облачным вычислениям, виртуализации. Чтобы придать новое качество учебному процессу и упростить деятельность вуза, они не должны оставаться в стороне от этой тенденции.

Сейчас, наибольшей популярностью пользуются мобильные технологии и средства виртуализации.

В системе образования облачные технологии находятся только в начале пути и не нашли широкого применения в вузах. Их развитие потребует новых навыков и значительных усилий, но полученные возможности все окупят. Но Рязанский государственный университет (РГУ) уже использует сервисы облачного хранения данных.

К социальным сетям вузы относятся по-разному, но насущной необходимости в них - нет.

Повышение конкурентоспособности вуза является важным стимулом освоения новых информационных технологий. На сегодня положение высшей школы затрудняется сложной демографической ситуацией. Так, по прогнозам, в 2013-м студентов будет более чем на 40% меньше, чем в 2009-м. В результате конкурсы падают, а между вузами растет конкуренция.

Высшее учебное заведение, которое предложит студентам более качественное образование, будет охотнее востребовано студентами. А если Вуз имеет более инновационную технологическую базу, новейшие программы обучения, он имеет больше возможностей привлечь больше студентов и коммерческих партнеров, ведь финансирование обучения зачастую берет на себя предприятие.

Таким образом, вузам не обойтись без новых информационных технологий (НИТ). Но и сами НИТ не стоят на месте.

Сайфуллина Л.В., Еникеев М.Р.

г.Уфа, Башкирский государственный университет Спивак С.И., Губайдуллин И.М.

г.Уфа, Институт нефтехимии и катализа РАН Комплекс веб-программ для моделирования процессов окислительной регенерации катализаторов Математическое моделирование Зачастую причиной ухудшения режимных показателей каталитических процессов становится отложение кокса на активной поверхности катализатора. Для восстановления активности катализатора используют окислительную регенерацию. От проведения процесса регенерации зависит уровень активности и стабильности регенерационного катализатора, поэтому оптимальное ведение процесса регенерации имеет большое значение для многих процессов нефтепереработки. Изучение процесса окислительной регенерации целесообразно проводить последовательно на единичном зерне, в слое катализатора и на реальном аппарате. Результаты математического моделирования процесса регенерации на зерне катализатора, в неподвижном, а также в движущемся слоях катализатора подробно представлены в работе [1].

Программная реализация На основе вышеизложенных алгоритмов разработан комплекс веб программ, реализующий проведение численных экспериментов и интерпретацию результатов на языке программирования Java с использованием Apache Tomcat контейнера сервлетов. Основной модуль программы представляет собой интерфейс для связи с другими модулями. Модуль Grain служит для расчета процесса регенерации для зерна катализатора, модули Isotherm, Adiabat – для неподвижного слоя при изотермическом и адиабатическом режиме соответственно, а модуль MoveLayer –для движущегося слоя катализатора.

Список литературы 1. Еникеев М.Р., Сайфуллина Л.В., Губайдуллин И.М. Разработка комплекса программ для решения задачи оптимизации процесса окислительной регенерации Журнал средневолжского // математического общества. Том 13, № 1 – С. 95- Для контактов:

Сайфуллина Л.В., г.Уфа, Башкирский государственный университет, leniza19@mail.ru.

Салихова М.А., Гиниятуллин В.М.

г. Уфа, Уфимский государственный нефтяной технический университет Моделирование функций смешанной 3- логики с использованием КНФ и ДНФ В работе [1] решается задача моделирования логических функций нескольких переменных с использованием комплекснозначных персептронов а также рассмотрены функции смешанной (троичной на входе и двоичной на выходе) 3-2 логики.

Реализован многослойный паракомплексный персептрон, аппроксимирующий функцию троичной логики и описан способ перехода к эквивалентному вещественнозначному персептрону.

Показана гиперболическая разделимость функций трехмерной смешанной логики.

Вычислительный эксперимент показал, что вещественнозначный персептрон, эквивалентный паракомплексному нейрону, реализующий любую из 512 функций смешанной 3-2 логики содержит в скрытом слое не более четырех нейронов. Геометрическая интерпретация этого факта приведена на рисунке 1.

Рисунок 1 – Функция смешанной логики номер Переменные х1 и х2 могут принимать значения либо -1 либо либо +1, квадрат символизирует истинное значение функции, окружность – ложное.

Все вещественнозначные персептроны реализующие функции смешанной 3-2 логики можно представить в виде коньюктивной нормальной формы (КНФ). А для функции номер 496 она выглядит следующим образом:

(Ниже 1 И Выше 2 И Выше 3 И Ниже 4) = TRUE Из 512 функций 4-мя линиями разделимы 16 штук, 3-мя линиями разделимы 178 штук, 2-мя линиями разделимы 261 штук, 1 ой линией разделимы 57 штук.

Таким образом, вводиться понятие n-линейной разделимости логических функций смешанной 3-2 логики.

Список литературы Гиниятуллин В.М. Моделирование логических функций в 1.

нейросетевом базисе. Нефтегазовое дело. – Уфа, том 6, №1 2008г.

С.35- Для контактов:

Салихова М.А., г.Уфа, Уфимский государственный нефтяной технический университет, m.salikhova@mail.ru.

Гиниятуллин В.М., г.Уфа, Уфимский государственный нефтяной технический университет, fentazer@mail.ru.

Самигуллина А.Р.

г. Стерлитамак, Стерлитамакская государственная педагогическая академия им. Зайнаб Биишевой Математическое моделирование схода снежной лавины Снег является наиболее распространенным видом твердых атмосферных осадков. Снежинки, составляющие падающий снег, и образующие снежный покров, являются плоскими кристаллами льда весьма разнообразной формы, в основном гексагональной, шестигранной и шестилучевой. Размеры отдельных, свободно падающих в воздухе снежинок доходят до 10 мм.

Снег, выпадающий в горах в течение круглого года, не остается лежать неподвижно: он медленно, незаметно для глаза, сползает вниз под тяжестью собственного веса или обрушивается лавинами и ледяными обвалами.

Снежные лавины, как и землетрясения, наводнения, извержения вулканов, относят к стихийным природным явлениям, которые способны вызвать гибель людей и причинить значительные разрушения. Несмотря на то, что лавиноопасные районы занимают 6% площади суши, проблема исследования подобных явлений является важной для своевременного проведения противолавинных мероприятий. К ним относят следующие мероприятия: выявление лавиноопасных территорий и определение параметров явлений, организация службы прогнозирования времени схода лавин, строительство защитных сооружений, предупредительный спуск лавин [1, 2].

С физической точки зрения лавина представляет собой быстрый сход с горного склона снежного покрова под действием силы тяжести.

Попав в лавину из сухого снега, человек задыхается от проникающих в дыхательные пути мельчайших частиц снежной пыли. Лавины из мокрого снега, имеющего колоссальный вес (1 м3 порошкообразного снега весит 60-80, влажного – 200-300, мокрого – до 800 кг), буквально заживо погребают попавшего в них человека. В момент остановки лавины в ее конусе из-за большого давления снежных масс температура внутри их повышается. Образовавшиеся при этом талые воды заполняют промежутки между сплавившимися частицами снега и при понижении температуры замерзают.

К основным факторам, способствующим возникновению лавин, относятся: угол склона с горизонтом, высота снежного покрова на склоне, плотность снега, характер поверхности склона и снега, интенсивность и общая продолжительность снегопадов, направление и сила ветров, температурный режим воздуха и снежного покрова, метелевый нанос снега на склон, дожди при оттепелях. Возможность схода лавин обуславливается наличием благоприятного сочетания лавинообразующих факторов, а также склонов крутизны от 200 до при толщине снежного покрова не менее 30 – 50 см, хотя известны сходы и более тонких пластов. Величина критической высоты снежного покрова может быть оценена по формуле, предложенной в работе [4].

По масштабам разрушения снежные лавины уступают многим опасным природным явлениям. Вместе с тем, в ряде стран, в том числе и в России, лавины выходят в «лидеры» среди опасных природных явлений по количеству жертв. Ежегодно они уносят жизни более 200 человек в мире.

В данной работе изучается движение лавины как единой компактной снежной массы, движущейся вниз по наклонной плоскости. Принимается, что абсолютная скорость снежных масс, присоединяющихся к лавине, равна нулю.

Для задания формы горного склона и расчета движения лавины написана программа на языке визуального программирования Delphi.

В программе указываются основные характеристики снежного покрова, а также высота горы и ширина подошвы склона.

Предусмотрены два способа задания формы склона: с помощью ломаной и кривой Безье. Реализованы возможности добавления, удаления, перемещения вершин ломаной и кривой Безье, отображения сетки на графике. Расчеты на основе программы позволяют спрогнозировать место и время возникновения лавины, а также увидеть на графике зависимости скорости схода лавины и её координаты от времени.

Полученные в работе результаты могут быть использованы при проектировании мостов и линий передач, размещении населенных пунктов, а также при строительстве противолавинных сооружений в лавиноопасных районах.

Список литературы 1. Божинский А.Н. Основы лавиноведения. – Л.: Гидрометеоиздат, 1987. – 279 с.

2. Войтковский К.Ф. Лавиноведение. – М.: Изд-во МГУ, 1989. – 158 с.

3. Жекамухов М.К., Жекамухова И.М. Сход снежных лавин и возникновение воздушных ударных волн // Исследовано в России.

2003. Т. 6. – С. 512-525. [Электронный ресурс]. Режим доступа:

http://zhurnal.ape.relarn.ru/2003.html 4. Соловьев А.С., Калач А.В. Некоторые аспекты прогнозирования схода снежных лавин // Технологии техносферной безопасности. 2011.

Вып. № 1 (35) [Электронный ресурс]. Режим доступа:

http://ipb.mos.ru/ttb/ Для контактов:

Самигуллина А.Р., г. Стерлитамак, Стерлитамакская государственная педагогическая академия им. Зайнаб Биишевой, e-mail: samigullina_alin@mail.ru Сафина Г.Ф.

г.Нефтекамск, Нефтекамский филиал БашГУ Моделирование в задаче сохранения частот колебаний трубопровода Решение задачи сохранения заданных частот колебаний трубы с жидкостью важно в связи с увеличением техногенных катастроф и опасностями, связанными с изношенностью основных фондов.

Исследования подобной проблемы тесно связаны с прямой задачей по исследованию влияния характеристик жидкости и условий закреплений на частоты колебаний трубопровода, а также с обратной задачей по диагностированию закреплений его закреплений.

Задача акустической диагностики по спектру частот закреплений трубы с жидкостью исследована в работе [1]. В данной работе моделируется задача сохранения безопасных частот колебаний трубы при изменениях параметров жидкости.

Задача определения собственных частот колебаний трубы с жидкостью известна и сводится к решению дифференциального уравнения [2]:

p 2w 4w 2w 2w + m 0 + V02 2 = 0.

+ ( m + m ) 2 + 2m V0 (1) EI x x 4 t xt 0 Здесь I – момент инерции трубчатого сечения, EI – жесткость трубы, p0 – внутреннее давление, m и m – массы трубы и жидкости, приходящиеся на единицу длины l трубы, r и r1 – радиусы внешнего и внутреннего поперечного сечения, V0 – скорость движения жидкости, – плотность материала трубы, 0 – плотность жидкости.

Решение уравнения (1) рассмотрено в работе [2] приближенными методами.

В работе [1] с помощью введения безразмерных переменных ~ ~ = x /l w = w/l ~, t = t / из (1) получено уравнение x, X ( 4) + aX + 2biX 2 X = 0, (2) линейно независимыми решениями которого являются функции ~ X j = X j ( ~, ) = e j x j = 1,2,3,4, где j = j ( ) – различные корни x, характеристического уравнения, соответствующего уравнению (2).

Поскольку рассматриваются изгибные колебания трубы, то краевые условия рассмотрим в виде:

U 1 ( X ) = X (0) c1 X (0) = 0, U 2 ( X ) = X (0) = 0, (3) U 3 ( X ) = X (1) + c2 X (1) = 0, U 4 ( X ) = X (1) = 0.

Здесь коэффициенты c1 и c2 линейных форм U 1 ( X ), U 3 ( X ) характеризуют величины относительной жесткости на изгиб пружин, с которыми упруго закреплены, соответственно, левый и правый концы трубы.

Уравнение частот, необходимое для решения прямой задачи, получаем из условия равенства нулю характеристического определителя ( ) = 0.

По решению прямой спектральной задачи (2), (3) исследовано влияние характеристик трубы с жидкостью на частоты ее колебаний.

Получено, что увеличение коэффициентов жесткостей упругих закреплений трубы ведет к увеличению собственных частот колебаний. Увеличение таких параметров жидкости, как скорость потока, плотность ведут к увеличению частот колебаний, а увеличение давления жидкости в трубе – наоборот, к уменьшению частот колебаний трубопровода. Проведение таких исследований важно при решении проблемы сохранения безопасных частот колебаний системы.

Поставим к прямой задаче (2), (3) задачу сохранения частот:

найти параметры упругих закреплений трубопровода, сохраняющие заданный спектр частот колебаний его колебаний при изменениях параметров жидкости.

Частотное уравнение () = 0 для задачи (2), (3) преобразуем к виду c1 f1 ( j ) c2 f 2 ( j ) c1c2 f 3 ( j ) + f 4 ( j ) = 0 (4), где f1 ( j ), f 2 ( j ), f3 ( j ) и f 4 ( j ) являются функциями от частоты собственных колебаний трубопровода.

Пусть известны две собственные частоты 1 и 2 колебаний, и 1 соответствующие им значения j и j, тогда равенства (4) представляют собой систему двух уравнений с неизвестными c1 и c2.

Если ранг системы уравнений равен двум, то она имеет решение, определяемое по формулам:

f 4 (1j ) + c1 f1 (1j ) N ± N 2 4 MK c2 = c1 = f 2 (1j ) + c1 f 3 (1j ) 2M,.

Здесь M = f1 (2j ) f3 (1j ) f 3 (2j ) f1 (1j );

N = f1 (2j ) f 2 (1j ) f 2 (2j ) f1 (1j ) f 3 (2j ) f 4 (1j ) + f3 (1j ) f 4 (2j );

K = f 4 (2j ) f 2 (1j ) f 2 (2j ) f 4 (1j ).

Построен алгоритм, с помощью которого можно судить о параметрах упругих закреплений трубопровода, необходимых для сохранения частот его колебаний при изменениях параметров жидкости. Доказаны соответствующие теоремы и приведены примеры, подтверждающие полученные алгоритмы и формулы.

Список литературы 1. Ахтямов А.М., Сафина Г.Ф. Определение виброзащитного закрепления трубопровода // Прикладная механика и техническая физика, Т.49, №1, 2008. С. 139-147.

2. Ильгамов М.А. Колебаний упругих оболочек, содержащих жидкость и газ. М.: Наука, 1969.

Для контактов: Сафина Г.Ф., г. Нефтекамск, Нефтекамский филиал БашГУ, Safinagf@mail.ru Сафиханова А.Р г. Стерлитамак, Стерлитамакская государственная педагогическая академия им.Зайнаб Биишевой РАЗРАБОТКА МОДУЛЯ ДЛЯ ЧЕТА ПЕРСОНАЛЬНОГО КОМПЬЮТЕРА И ОРГТЕХНИКИ ДЛЯ ОАО «КАУСТИК»

Быстрый и качественный оступ к нужной информации в современном мире является одним из главных критериев эффективности управления организацией или производством и поэтому современная жизнь немыслима без эффективного управления. Важной категорией являются системы обработки информации, от которых во многом зависит эффективность работы любого предприятия или учреждения.

Разрабатываемая база данных, позволяет инвентаризировать компьютеры на предприятии. Программа предназначена в основном для системных администраторов, владельцам компьютерных магазинов, обладателям большого количества комплектующих и компьютерной техники, которым ставится задача систематизировать учет компьютерной техники.

Были выполнены следующие этапы проектирования базы данных:

Проанализирована предметная область;

• Составлена ЕR-диаграмма и логическая схема;

• Составлена структура таблиц с использованием case • технологий;

Нормализованы получившиеся таблицы до третьей нормальной • формы;

Создана база данных для сбора, хранения и обработки • необходимой информации;

Разработан удобный, интуитивно понятный интерфейс для • ввода и обработки информации в среде Borland Delphi 7.

Список литературы 1. Бойко, В.В. Проектирование баз данных информационных систем / В.В. Бойко, В.М. Савинков. – М.: Финансы и статистика, 1989. – 351 с.

2. Малыхина, М.П. Базы данных: основы, проектирование, использование / М.П. Малыхина. – СПб.: БХВ–Петербург, 2004. – с.

3. Гофман, В.Э. Работа с базами данных в Delphi / В.Э. Гофман, А.Д. Хомоненко. – СПб.: БХВ–Петербург, 2000. – 656 с.

Для контактов:

Сафиханова А.Р., СГПА им.З.Биишевой, gkama@mail.ru.



Pages:     | 1 | 2 ||
 










 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.