Структурно-параметрическая идентификация граничных условий в обратных задачах теплопроводности с использованием ансамбля классов корректности

Обложка

Цитировать

Полный текст

Аннотация

Предложен подход к структурно-параметрической идентификации граничных условий процессов технологической теплофизики на основе решения обратных задач теплопроводности. В условиях априорной неопределенности этап структурной идентификации сводится к генерации альтернатив возможных классов решений, заданных в виде компактных множеств. Производится декомпозиция исходной некорректно поставленной задачи к совокупности условно-корректных задач, учитывающих ограничения на принадлежность решения соответствующим классам. На этапе параметрической идентификации с учетом заданной модельной структуры проводится параметризация идентифицируемой характеристики и соответствующей ей результирующей функции состояния и осуществляется редукция полученных задач к задачам параметрической оптимизации. Их решение реализуется на основе методов оптимального управления системами с распределенными параметрами при оценивании температурной невязки в равномерной метрике. Аналитический метод минимаксной оптимизации, учитывающий альтернансные свойства оптимальных распределений, обеспечивает решение задач математического программирования относительно значений вектора параметров для каждой из сформулированных альтернатив. Выбор адекватной математической модели из всех доступных вариантов осуществляется на базе минимаксного критерия, и ее структура может быть уточнена за счет расширения классов решений. Представленный подход демонстрирует удовлетворительное качество идентификации при типовых режимах работы тепловых установок на множествах достаточно гладких функций с минимально возможным для требуемой точности решения числом параметров. Подход направлен на обеспечение информационной поддержки процесса принятия решения о структуре модельного оператора в обратных задачах теплопроводности. Улучшение качества идентификации при сложных режимах работы оборудования осуществляется за счет генерации гипотез в виде классов корректности, параметризуемых вектором параметров более высокой размерности.

Об авторах

Анна Николаевна Дилигенская

Самарский государственный технический университет

ORCID iD: 0000-0002-9867-9781
SPIN-код: 6950-2416
Scopus Author ID: 56466025800
ResearcherId: D-6252-2014
Россия, 443100, Самара, ул. Молодогвардейская, д. 244

Виктория Владимировна Золотарёва

Самарский государственный технический университет

ORCID iD: 0009-0003-9877-8178
SPIN-код: 2972-3715
Россия, 443100, Самара, ул. Молодогвардейская, д. 244

Список литературы

  1. Мацевитый Ю. М., Гайшун И. В., Борухов В. Т., Костиков А. О. Параметрическая и функциональная идентификация тепловых процессов // Проблемы машиностроения. 2011. Т. 14, № 3. С. 40–47. EDN: VQXXCT
  2. Алифанов О. М., Вабищевич П. Н., Михайлов В. В., Ненарокомов А. В., Полежаев Ю. В., Резник С. В. Основы идентификации и проектирования тепловых процессов и систем : учеб. пособие. Москва : Логос, 2001. 400 с.
  3. Алифанов О. М., Ненарокомов А. В., Салосина М. О. Обратные задачи в тепловом проектировании и испытаниях космических аппаратов. Москва : Изд-во МАИ, 2021. 160 с. EDN: QCQEIV
  4. Мацевитый Ю. М. Обратные задачи теплопроводности : в 2 т. Киев : Наукова думка, 2002. Т. 1. 405 с.
  5. Мацевитый Ю. М., Маляренко В. А., Мултановский А. В. Применение метода оптимальной фильтрации при решении нелинейных задач теплопроводности // Проблемы машиностроения. 1977, № 5. С. 61–65.
  6. Swati Agarwala, K. Narayan Prabhu. An experimental approach based on inverse heat conduction analysis for thermal characterization of phase change materials // Thermochimica Acta. 2020. Vol. 685. Art. 178540. https://doi.org/10.1016/j.tca.2020.178540
  7. Ping Xiong Jian Deng, Tao Lu, Qi Lu, Yu Liu, Yong Zhang. A sequential conjugate gradient method to estimate heat for nonlinear inverse heat conduction problem // Annals of Nuclear Energy. 2020. Vol. 149. Art. 107798. https://doi.org/10.1016/j.anucene.2020.107798
  8. Bowen Zhang, Jie Mei, Miao Cui, Xiao-wei Gao, Yuwen Zhang. A general approach for solving three-dimensional transient nonlinear inverse heat conduction problems in irregular complex structures // International Journal of Heat and Mass Transfer. 2019. Vol. 140. P. 909–917. https://doi.org/10.1016/j.ijheatmasstransfer.2019.06.049
  9. Васильев Ф. П. Методы решения экстремальных задач. Москва : Наука, 1981. 400 с.
  10. Кабанихин С. И. Обратные и некорректные задачи : учебник для вузов. 4-е изд., перераб. и доп. Новосибирск : Изд-во Сибирского отд-ния РАН, 2018. 508 с. https://doi.org/10.15372/INVERSE2018KSI, EDN: UQAVAO
  11. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. Москва : Наука, 1979. 448 с.
  12. Иванов В. К., Васин В. В., Танана В. П. Теория линейных некорректных задач и ее приложения. Москва : Наука, 1978. 206 с.
  13. Прангишвили И. В., Лотоцкий В. А., Гинсберг К. С., Смолянинов В. В. Идентификация систем и задачи управления: на пути к современным системным методологиям // Проблемы управления. 2004. № 4. С. 2–15. EDN: HSQSZP
  14. Гинсберг К. С. Концептуальные основы методологии структурной идентификации для создания систем автоматического управления с требуемыми свойствами // Информационные технологии и вычислительные системы. 2019. № 1. С. 38–48. https://doi.org/10.14357/20718632190104, EDN: ZAJQWT
  15. Рапопорт Э. Я., Плешивцева Ю. Э. Специальные методы оптимизации в обратных задачах теплопроводности // Известия Российской академии наук. Энергетика. 2002. № 5. С. 144–155.
  16. Diligenskaya A. N., Rapoport E. Ya. Analytical methods of parametric optimization in inverse heat-conduction problems with internal heat release // Journal of Engineering Physics and Thermophysics. 2014. Vol. 87, iss. 5. P. 1126–1134. https://doi.org/10.1007/s10891-014-1114-1
  17. Алифанов О. М. Обратные задачи теплообмена. Москва : Машиностроение, 1988. 280 с.
  18. Дилигенская А. Н., Золотарёва В. В. Параметрическая идентификация граничного воздействия на компактных множествах заданной формы // Математические методы в технологиях и технике. 2022. № 12, ч. 1. С. 7–10. https://doi.org/10.52348/2712-8873_MMTT_2022_12_07, EDN: TGGYQJ

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».