Нейро-нечеткая модель динамической вязкости водных суспензий на основе наноразмерных частиц диоксида кремния

Abstract

Статья посвящена построению нейро-нечеткой модели ANFIS для прогнозирования динамической вязкости от независимых входных параметров: концентрации диоксида кремния, кислотности, а также скорости сдвига. Фаззификация входных параметров осуществлялась с помощью гауссовских функций принадлежности. На основе подхода Сугено рассматривалось 36 правил if-then с линейной функцией вывода. Для обучения сети использовался гибридный метод обучения, включающий комбинацию методов градиентного спуска и наименьших квадратов. Эффективность построенной модели оценивалась на основе средней квадратической ошибки RMSE. Предложенная нейро-нечеткая модель ANFIS показала лучшую точность в сравнении с предложенными в литературе моделями искусственного интеллекта. = The article is devoted to the construction of a neuro-fuzzy model ANFIS for predicting dynamic viscosity from independent input parameters: silicon dioxide concentration, acidity, and shear rate. Fuzzification of the input parameters was carried out using Gaussian membership functions. Based on Sugeno inference, 36 if-then rules with a linear output function were considered. A hybrid learning method was used to train the network, including a combination of gradient descent and least squares methods. The efficiency of the constructed model was estimated based on the root mean square error RMSE. The proposed neuro-fuzzy model ANFIS showed better accuracy in comparison with the artificial neural network models proposed in the literature.