Расчетная часть

Алгоритм Параметры Значения параметров

Линейный

классификатор с

градиентным спуском

loss function (loss)

hinge, log,

squared_loss,

modified_huber.

number of gradient

descent iteration (n_iter)1000 – 15000

Линейный

классификатор с

градиентным спуском с

L1 или L2

регуляризацией

loss

hinge, log,

squared_loss,

modified_huber

n_iter 1000 – 15000

the regularization

coefficient (alpha)0,0001 - 1

Алгоритм случайного

леса

number of decision

trees (n_estimators)2 – 100

limitation of the

maximum number of

features (max_features)

None, sqrt, log2

limitation of the decision

tree depth (max_depth)None, 2 – 13

bootstrap True, False

balancing of class

(class_weight)Balanced, None

Линейная регрессия - -

Линейная регрессия с

L1 или L2

регуляризацией

normalization of class

(normalize)True, False

n_iter 1000 – 15000

alpha 0 – 1

КЛАССИФИКАЦИОННЫЙ И РЕГРЕССИОННЫЙ АНАЛИЗ МАРОК МИНЕРАЛЬНЫХ

УДОБРЕНИЙ

Юновидов Д.В.1,2, Сидорова Е.Е. 1,2, Бахвалов А.С.3, Соколов В.В. 1,2

1. АО “НИУИФ”, Череповец, Россия, Dm.Yunovidov@gmail.com

2. Череповецкий Государственный Университет, Череповец, Россия, 3. АО “Научный Приборы”, С. Петербург, Россия

Методы

Энергодисперсионный

рентгенофлуоресцентный анализ

наиболее информативен и

активно развивается

(согласно данным Scopus, “Environmental

Science”, “Earth and Planetary Sciences”,

“Agricultural и Biological Sciences” subjects)

Метод был дополнен

системой оптического

контроля

Введение

Аналитический контроль в

промышленности

Быстрый, информативный и

автоматизированный

Многоэлементный анализ

• Расчет проведен на Python 3.6;

• Составлена матрица «объекты-признаки»;

• Использованы различные

классификационные и регрессионные

алгоритмы расчета.

(Матрица ошибок, где x –

данные, y – истинное

значение ответа, a(x) –

результат классификации)

Результаты

Цель работы:

Создание универсальной системы контроля качества

промышленно производимых минеральных удобрений.

Визуализация

N P K S Фракция Сушка

Диапазон

значений

[0; 16]

мас %

[15; 52]

мас.%

[0; 20]

мас %

[0;20]

мас %* [0, 1]

Классификация, F-мера (%)

Лин-ая 99,31 99,78 99,59 99,56 92,40 72,94

Лин-ая с

L199,65 99,78 99,57 98,87 92,51 73,08

Лин-ая с

L299,65 99,78 100,0 98,99 91,33 68,46

Случ. лес 100,0 100,0 100,0 98,99 98,40 73,37

Макс.

знач.

параметр

Cl

15,56

Ca

17,04

Cl

14,31

Ca

20,47

S

контура

25,70

P

11,49

Регрессия, среднее абсолютное отклонение (мас..%)

Лин-ая 0,3901 1,1247 0,2906 0,7002 - -

Лин-ая с

L10,5980 1,3247 0,4255 1,0376 - -

Лин-ая с

L20,3644 1,1177 0,2876 0,6983 - -

Макс.

знач.

параметр

K

20,19

Sr

20,166

S фона

25,44

K

17,46- -

* [гранулы насыпью, прессованные: гранулы, порошок < 500 мкм, порошок < 100 мкм]

Задачи:

• выбор методов исследования и настраиваемых параметров;

• выбор параметров контроля (физические и химические

свойства удобрений);

• выбор значимых параметров и составление матрицы

«объекты-признаки»;

• расчет параметров минеральных удобрений с

использованием классификационных и

регрессионных алгоритмов.

(Результаты предсказания физических и химических свойств)

(ЭД РФА с

оптическим

контролем)

(Алгоритмы и параметры, использованные в работе)

Больше информации::

• https://github.com/DimYun/DSpectra

• Mendeley Data, v1, 2018.

https://doi.org/ 10.17632/4zywk4k8zk.2

• dimyun.space

(Проекция всех свойств

удобрений на 2 главные

компоненты)

y = 1 y = -1

a(x) = 1

Верное

положительное

(ВП)

Неверное

положительное

(НП)

a(x) = -1

Неверное

отрицательное

(НО)

верное

отрицательное

(ВО)

НПВП

ВПXaточность

),(

НОВП

ВПXaполнота

),(

полнотаточность

полнотаточностьF

2

Объекты исследования

Различные фосфорсодержащие минеральные удобрения с варьированием

пробоподготовки.

Удобрения: NPK(S) 4-30-15(16), NPK(S) 0-20-20(5), NP(S) 12-40(10), NPK

15-15-15, NPK 16-16-8, NP(S)+S+Zn 12-40(6)+3+1, NP 12-52.

№ < 500 мкм < 100 мкм сушкатаблети-рование

время, мин

1 - - - - -2 - - - + 23 + - - + 154 + + - + 405 + - + + 306 + + + + 45

1. Предложен комбинированный метод исследования промышленно

производимых минеральных удобрений.

2. Выделены сигналы, отвечающие за основные параметры качества.

3. Подобраны оптимальные параметры работы ряда

классификационных и регрессионных алгоритмов.

4. Найдены наиболее значимые для классификации и регрессии

сигналы.

5. Создана база данных более чем 300 объектов и составлена

матрица «объекты-признаки».

6. Все предложенные алгоритмы и подходы полностью

автоматизированы и реализованы на языке программирования

Python 3.6.

Выводы

55

75

95

115

135

155

175

195

2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7

% О

Т С

РЕД

НЕГ

О

ГОД

АНАЛИТИЧЕСКИЕ МЕТОДЫ

РФА ИСП Спектроскопия Классические

(Типы образцов)

Графическая аннотация