На канале будут размещаться сообщения о практическом использовании методов искусственного интеллекта, больших языковых моделей и больших данных. Сообщения будут касаться как уже состоявшихся реализаций, так и возможностей перспективного использования.

Подбор параметров сетевой гидравлической модели с помощью ИИ

Несмотря на развитие 3-D CFD технологий основной объем расчетов течений газа приходится на сетевые гидравлические модели.
Как показывает практический опыт трудоемким процессом является ручная подгонка параметров этих сетевых моделей к результатам экспериментов. Для существенно нелинейных элементов сетевой модели эта задача может оказаться практически не реализуемой без подключения ИИ. ИИ оптимизирует состав элементов схемы, автоматически создает новые элементы и для согласовывает коэффициентами результаты моделирования и эксперимент. https://brain2net.ru/gas-dynamics/network-model/

Классическая теория Гарри Марковица заложила основы современной портфельной теории через математическую формализацию баланса риска и доходности активов фондового рынка.
Современные методы машинного обучения и искусственного интеллекта преодолевают многие ограничения и расширяют классический подход в оптимальной диверсификации инвестиционного портфеля. Глубокое обучение (LSTM, трансформеры) анализирует не только исторические цены, но и альтернативные данные. Ансамблевые методы выявляют сложные нелинейные зависимости, улучшая оценки будущей доходности. Генерируются сценарии доходности с приемлемым риском для конкретного инвестора. Современные вычислительные методы дают возможность своевременного переформатирования портфеля в соответствии со стремительно меняющейся рыночной обстановкой. Рациональной является еженедельная корректировка инвестиционного портфеля. https://brain2net.ru/market/markowitz/

Цифровой двойник центробежного нагнетателя, основан на системе дифференциальных уравнений, описывающих физические процессы в агрегате и расширенном фильтре Калмана (EKF).
При тестирования цифрового двойника центробежного нагнетателя, который эксплуатировался на газоперекачивающей станции, была продемонстрирована его возможность практически точно оценивать параметры процесса, которые не измерялись датчиками. Так же была показана возможность корректировать показания инертных термопар.
Цифровой двойник центробежного нагнетателя может быть использован в системах управления и при автоматической диагностики агрегата. https://brain2net.ru/digital-twin/centrifugal-supercharger/

Искусственный интеллект собирает и анализирует информацию для оптимизации инвестиционного портфеля из акций Московской биржи. Рассмотрены случаи с различной диверсификацией - ограничением доли одного актива в портфеле. Рассчитанный оптимальный состав портфеля с ограничением на один актив не более 10% дает на горизонте примерно год ожидаемую доходность 0.48 рубля на рубль вложений и дисперсию риска 0.0067 . При ограничении на один актив не более 20%, соответственно, 0.59 и 0.0137. При ограничении на один актив не более 30%, соответственно, 0.63 и 0.0176.
Портфель целесообразно корректировать каждые несколько недель или после резких движений котировок. Подробности на сайте https://brain2net.ru/market/markowitz2/ .
Информация для демонстрации возможностей ИИ, не является торговой рекомендацией.

Рассматривается оценка точности диагностики асинхронного электрического двигателя. По гистограмме отказов рассчитывается плотность вероятности отказа от наработки двигателя, учитывающей режимы работы двигателя и условия его эксплуатации. Далее строится ROC кривая и зависимость точности (precision) от полноты диагностического метода (Recall). По этим кривым выбирается порог допустимой вероятности отказа. При диагностике ответственных агрегатов более опасно не заметить дефектный агрегат,
чем ошибочно снять с эксплуатации
еще исправный двигатель. Для рассматриваемого двигателя приняты настройки метода, при которых полнота (recall) выявления дефектов на горизонте прогнозирования
ближайших суток будет 0.85, а точность (precision) примерно 0.7 при ограниченной телеметрии - только датчик тока.
Подробнее на сайте.

Неустойчивость пламени в камере сгорания индустриальных газовых турбин, так называемое вибрационное горение,
является одной из основных проблем в развитии современных индустриальных газотурбинных
установок. Проблема связана с необходимостью предварительного смешивания топливного газа с воздухом для снижения локальных температур в пламени и для ограничения выбросов окислов азота в атмосферу. Задержка между подачей топливного газа в камеру сгорания, требуемая для смешения топлива с воздухом имеет критическое значение, при превышении которого процесс горения теряет устойчивость, что видно на диаграмме Найквиста.
Для согласования результатов расчетов сформированной сетевой модели с
результатами эксперимента потребуется подбор соответствующих характерных времен
и коэффициентов в дифференциальных уравнениях. Подробнее на https://brain2net.ru/digital-twin/nyquist/.

Текущее состояние газовой турбины определяется вектором состояния, компонентами которого являются давления, температуры, концентрации топлива в различных точках газового потока, обороты валов и другие параметры. Число компонент вектора состояния, которое необходимо определять на каждом шаге решения, может быть существенно больше числа измеряемых параметров.
В одном из тестов в алгоритм цифрового двойника не подавался сигнал от датчика давления за осевым компрессором, в другом тесте не подавался сигнал от датчика температуры за турбиной низкого давления. Восстановленные цифровым двойником значения параметров были практически близки к результатам измерений. Также цифровой двойник рассчитал ряд параметров, которые не измерялись на тестируемом двигателе.
Подробнее на https://brain2net.ru/digital-twin/gas-turbine/.