Χρήση νευρωνικών δικτύων για την εκτίμηση της τάσης διάσπασης σε μονωτικά διάκενα αέρα

• Κύριος συγγραφέας: Stenberg, Νικόλαος
• Άλλοι συγγραφείς: Πυργιώτη, Ελευθερία
• Μορφή: Thesis
• Γλώσσα: Greek
• Έκδοση: 2011
• Θέματα: Νευρωνικά δίκτυα; Διάκενα αέρα; Neural networks; Air gaps; 621.319 370 285

Τα νευρωνικά δίκτυα αποτελούν έναν σχετικά νέο επιστημονικό χώρο, καθώς η ανάπτυξή τους έχει λάβει χώρα κυρίως τις τελευταίες δεκαετίες. Τόσο τα επιτεύγματα που έχουν σημειωθεί με τη χρήση τους, όσο και η ολοένα αυξανόμενη ενασχόληση της επιστημονικής κοινότητας με αυτά, δικαιολογούν γιατί είναι ένας τομέας που παρουσιάζει ιδιαίτερο ενδιαφέρον. Ο όρος «Τεχνητό Νευρωνικό Δίκτυο» (ΤΝΔ) ή απλά Νευρωνικό Δίκτυο αναφέρεται σε ένα μαθηματικό μοντέλο που συνίσταται από απλά στοιχεία τα οποία λειτουργούν διατεταγμένα παράλληλα και καλούνται νευρώνες. Η σύλληψη αυτών των στοιχείων έχει εμπνευστεί από τα βιολογικά νευρικά συστήματα. Ωστόσο τα νευρωνικά δίκτυα έχουν πλέον αποκοπεί τελείως απ’την βιολογία και σήμερα χρησιμοποιούνται για την επίλυση κάθε είδους προβλήματος με ηλεκτρονικό υπολογιστή. Στόχος της παρούσας εργασίας ήταν η χρήση νευρωνικών δικτύων για την εκτίμηση της τάσης διάσπασης σε μονωτικά διάκενα αέρα. Με τον όρο «μόνωση» εννοούμε τα μέτρα που λαμβάνονται για να προσδώσουν σε μία διάταξη ή συσκευή την ικανότητα να αντέχει ορισμένες διηλεκτρικές καταπονήσεις. Αυτές προέρχονται είτε από τις τάσεις που αναπτύσσονται κατά την λειτουργία της ανάμεσα στα διάφορα στοιχεία της, είτε ανάμεσα σε στοιχεία της και στοιχεία κάποιας άλλης συσκευής ή την γή. Διηλεκτρική αντοχή μιας μόνωσης καλείται η ικανότητά της να αντέχει μια ορισμένη ηλεκτρική καταπόνηση χωρίς την μόνιμη ή πρόσκαιρη καταστροφή της. Ο αέρας αποτελεί επανορθούμενο υλικό, που σημαίνει ότι μετά από μία διάσπαση ανακτά όλα τα χαρακτηριστικά που είχε πρίν απ’αυτή. Η μόνωση αέρα είναι κατ’εξοχήν εξωτερική μόνωση και συναντάται σε διάφορες διατάξεις υψηλών τάσεων, όπως π.χ. η μόνωση του ζυγού και η μόνωση κατά μήκος της επιφάνειας του μονωτήρα. Η διηλεκτρική διάσπαση ενός διακένου αέρα καθορίζεται από ένα σύνολο παραμέτρων, πιο σημαντικές από τις οποίες θεωρούνται το μήκος και η γεωμετρία του διακένου, η πολικότητα, το εύρος και η μορφή της κρουστικής καταπόνησης, καθώς και η θερμοκρασία, η πυκνότητα και η υγρασία του αέρα. Επομένως το ζητούμενο ήταν να υλοποιηθεί ένα νευρωνικό δίκτυο το οποίο να μπορεί να μάθει την συσχέτιση μεταξύ της τάσης διάσπασης και των παραμέτρων που την καθορίζουν. Η αρχιτεκτονική δικτύου που υιοθετήθηκε είναι ένα νευρωνικό δίκτυο δύο στρωμάτων εμπρόσθιας τροφοδότησης που εκπαιδεύεται με την μέθοδο της οπισθοδιάδοσης του λάθους. Ως σιγμοειδής συνάρτηση μεταφοράς στο κρυμμένο στρώμα χρησιμοποιήθηκε η υπερβολική εφαπτομένη f(x)=tanhx, ενώ ως γραμμική συνάρτηση μεταφοράς στο στρώμα εξόδου χρησιμοποιήθηκε η ταυτοτική συνάρτηση f(x)=x. Η τοπολογία αυτή είναι η πιο διαδεδομένη για τέτοιου είδους εφαρμογές. Η συλλογή των δεδομένων που καθόρισαν το πρόβλημα, δηλαδή τα διανύσματα εισόδου και εξόδου, έγινε από ένα σύνολο πειραματικών μετρήσεων που πραγματοποιήθηκαν στο εργαστήριο, για διάκενα διάταξης Ακίδα-Πλάκα και Ράβδος-Πλάκα. Σε προγραμματιστικό περιβάλλον Matlab (έκδοση R2008b), και συγκεκριμένα με χρήση του Neural Network Toolbox™ 6, αρχικά δημιουργήθηκε ένα νευρωνικό δίκτυο το οποίο δεν λάβαινε υπόψη του τις παραμέτρους που αφορούν στην γεωμετρία του διακένου. Το διάνυσμα εισόδου αποτελούνταν από 6 στοιχεία, τα οποία ήταν το μήκος του διακένου, η διάρκεια μετώπου και η διάρκεια ουράς της κρουστικής καταπόνησης, η θερμοκρασία, η ατμοσφαιρική πίεση και η υγρασία του αέρα. Το διάνυσμα της επιθυμητής εξόδου (ή αλλιώς στόχος) αποτελούνταν από μία τιμή για την τάση διάσπασης. Η εκπαίδευση του δικτύου πραγματοποιήθηκε με την χρήση του αλγόριθμου Levenberg-Marquardt. Για την διάταξη Ακίδα-Πλάκα χρησιμοποιήθηκε ένα σύνολο 70 μετρήσεων, ενώ για την διάταξη Ράβδος-Πλάκα ένα σύνολο 66 μετρήσεων. Έπειτα δόθηκε ως είσοδος στο εκπαιδευμένο δίκτυο η μήτρα εισόδου του προτύπου εκπαίδευσης. Οι ιδανικές αποκρίσεις σε αυτές τις εισόδους ήταν οι στόχοι, οπότε οι αποκρίσεις του δικτύου συγκρίθικαν με τους αντίστοιχους προς αυτές στόχους, δηλαδή τις πειραματικές τιμές για την τάση διάσπασης. Επιπλέον με χρήση του Microsoft Excel τοποθετήθηκαν σε διαγράμματα οι τιμές των στόχων και των αποκρίσεων του δικτύου συναρτήσει του μήκους διακένου ανάλογα με την μορφή της κρουστικής καταπόνησης. Η ίδια διαδικασία επαναλήφθηκε και για ένα νευρωνικό δίκτυο που λαμβάνει υπόψη του την γεωμετρία του διακένου. Για την διάταξη Ακίδα-Πλάκα στις προαναφερθείσες παραμέτρους του διανύσματος εισόδου προστέθηκαν η διάμετρος της ράβδου, το εμβαδόν της πλάκας, η ακτίνα καμπυλότητας και η γωνία του κώνου απόληξης. Αυτή τη φορά δηλαδή το διάνυσμα εισόδου αποτελούνταν από 10 στοιχεία. Για την διάταξη Ράβδος-Πλάκα το διάνυσμα εισόδου αποτελούνταν από 9 στοιχεία, αφού η ακτίνα καμπυλότητας και η γωνία του κώνου απόληξης της προηγούμενης περίπτωσης αντικαθίστανται από την ακτίνα της ημισφαιρικής απόληξης. Και για τις δύο διατάξεις το διάνυσμα στόχων αποτελούνταν από ένα στοιχείο, την τάση διάσπασης. Τα αποτελέσματα κρίνονται ικανοποιητικά, καθώς οι αποκλίσεις των αποκρίσεων του δικτύου από τις πειραματικές τιμές της τάσης διάσπασης κυμαίνονται σε αποδεκτά επίπεδα. Επομένως αποδείχθηκε ότι το εκπαιδευμένο νευρωνικό δίκτυο μπορεί να πραγματοποιήσει αξιόπιστες εκτιμήσεις για την τιμή της τάσης διάσπασης ενός μονωτικού διακένου αέρα. Ωστόσο το διάνυσμα εισόδου που δέχεται το δίκτυο θα πρέπει να χαρακτηρίζεται από τις ίδιες παραμέτρους όπως και το διάνυσμα εισόδου του προτύπου εκπαίδευσης.