Экспериментально-статистические модели

Изложены общие принципы построения и интерпретации многофакторных экспериментально-статистических моделей. Даны постановки и обобщенные алгоритмы решения инженерных рецептурно-технологических задач по одной и по комплексу моделей. Рассмотрены особенности принятия гарантированных решений с учетом заданного уровня риска. Приведен анализ источников риска для моделирования и методик моделирования оценок риска. [c.20]

ЭКСПЕРИМЕНТАЛЬНО-СТАТИСТИЧЕСКИЕ МОДЕЛИ 2.1. Математическое описание [c.10]

В предыдущей главе были рассмотрены методы построения экспериментально-статистических моделей в виде уравнений регрессии. Здесь мы рассмотрим вопрос о том, как использовать эти модели для оптимизации процессов или свойств многокомпонентных систем. [c.21]

Нами рассмотрены на конкретных примерах методы построения экспериментально-статистических моделей процессов, а также некоторые методы оптимизации на основе этих моделей. [c.43]

Экспериментально-статистические (эмпирические) модели отражают корреляционные или регрессионные соотношения между параметрами физико-химической системы и не используют информацию о механизме протекающих реакций. Статистические модели используют для оценки влияния входных переменных на показатель качества процесса, значимости переменных, для решения задач оптимизации. Очень часто экспериментально-статистические модели используют для построения функциональной зависимости, наилучшим образом описывающей опытные данные, с целью их дальнейшей интерполяции или экстраполяции. [c.241]

Математическое описание химико-технологических процессов с помощью экспериментально-статистических методов получило в последнее время широкое распространение. Это обусловлено прежде всего тем, что статистические методы позволяют как на стадии разработки процессов, так и при эксплуатации получить даже при низком уровне теоретических знаний о механизме процесса его математическую модель, включающую все существенные переменные. [c.132]

Этот метод, предложенный впервые Боксом и Уилсоном [91 ], является экспериментально-статистическим методом отыскания математической модели, соответствующей оптимальным условиям протекания процесса, [c.157]

Постановка задачи. Закономерности исследуемого процесса можно установить экспериментально-статистическими методами. Обычно такой подход используют при недостаточной информации о физической суш,ности происходящих явлений или их большой сложности, т. е. при невозможности составить их детерминированную модель в виде функциональных зависимостей, отображающих физическую природу явлений. [c.16]

B. Г. Айнштейна и некоторых других. Наряду с этим отдельные важные проблемы псевдоожиженного состояния, развитые, главным образом, в советских работах, остались, к сожалению, за пределами книги. Так, не освещены вопросы развития газовых струй в псевдоожиженном слое, поднятые в работах Н. А. Шаховой и др., хотя они имеют непосредственное отношение к возникновению газовых пузырей, теоретическое и экспериментальное исследование которых занимает большую часть книги. Совсем не затронуты статистические модели (кинетическая теория) псевдоожиженных систем, развитые в работах Ю. А. Буевича, [c.10]

При большом числе факторов, оказывающих влияние на технологический процесс, и значительных массивах экспериментально-статистической информации, подлежащей обработке, непосредственное использование методов факторного анализа приводит к весьма трудоемким вычислительным процедурам. В этих случаях для оперативного обследования объекта в режиме нормальной эксплуатации и выработки предварительного заключения о наиболее значимых факторах, оказывающих влияние на ход процесса, эффективное применение находят методы алгебры логики [27]. Исследование проводится в два этапа. На первом этапе рабочие диапазоны изменения переменных квантуются на отдельные уровни и методом минимизации булевых функций строится булева модель ФХС. На втором — решается задача интерпретации булевых моделей в терминах существующих содержательных теорий. [c.100]

Постановка задачи построения булевой модели ФХС. Технологический процесс характеризуется п варьируемыми параметрами Xj, Xj,. . . , х, и целевой функцией у. Исходный массив экспериментально-статистической информации располагается в виде таблицы, содержащей п столбцов для параметров х , Xj,. . . . . ., х , столбец для целевой функции у ж т строк, следующих друг за другом в порядке их реализации на объекте. Рабочий [c.103]

Если процесс очень сложен, расшифровка его механизма может потребовать больших затрат. В этом случае желательно моделировать процесс эмпирически, без подробного изучения его теоретических основ. Тогда имеем стохастическую или статистическую модель. Стохастическая модель строится исключительно на основе экспериментальных данных. Поведение системы можно предсказать лишь с некоторой вероятностью. [c.4]

В тех случаях, когда задача оптимального планирования производственной программы НПП и НПК разрабатывается и внедряется на предприятиях, не охваченных на нижнем уровне управления АСУ ТП, приемлемым путем определения параметров модели является экспериментально-статистический метод. Этот метод базируется на анализе прошлого опыта эксплуатации, статистической обработке технико-экономической информации и последующей экспертной оценке расчетных значений параметров. [c.37]

Заново написаны разделы по цифровым вычислительным машинам и автоматическому управлению химико-технологическими системами, а также главы по математическому моделированию типовых процессов химической технологии и основам синтеза и анализа химикотехнологических систем и системному анализу. Введен раздел по составлению математических моделей экспериментально-статистическими методами и статистической оптимизации. Дополнены разделы по этапам математического моделирования, оптимизации (введено геометрическое программирование) и исследованию микро- и макро-кинетики. Приведен расчет каскада реакторов при наличии микро-и макроуровней смешения и др. [c.8]

Автор приносит глубокую благодарность сотрудникам кафедры Кибернетика химико-технологических процессов МХТИ им. Д. И. Менделеева за ценные советы и участие при подготовке второго издания книги. Выражаю признательность доценту кафедры С. Л. Ахназаровой, принимавшей участие в написании раздела по экспериментально-статистическим методам составления математических моделей процессов. [c.8]

СОСТАВЛЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ЭКСПЕРИМЕНТАЛЬНО-СТАТИСТИЧЕСКИМИ МЕТОДАМИ. [c.173]

Таким образом, мы приходим к математической постановке задачи оптимизации с использованием технико-экономического критерия, характеризующего эффективность работы объекта при заданных ограничениях. Для решения этой задачи необходимо выбрать технико-экономический критерий, задать соответствующие ограничения и иметь математическую модель процесса. Математическое описание можно получить при помощи экспериментально-статистического метода, теоретическим путем или сочетанием этих методов. [c.211]

При использовании статистических моделей, как правило, не раскрывается природа описываемых процессов, но хорошо воспроизводятся данные, полученные при экспериментальном иссле-284 [c.284]

Точность таких расчетов, однако, в ряде случаев не очень высока. Результаты, полученные разными способами экстраполяции, в сильно полярных жидкостях расходятся между собой и экспериментальными данными Для разбавленных растворов на десятки процентов [5]. Столь же невысокую точность в таких системах, недостаточную для аналитических целей, дают и теоретические расчеты yf и К на основе молекулярно-статистических моделей [5]. Для практических целей лучше всего использовать экспериментальные значения коэффициентов распределения в разбавленных растворах, которые могут быть измерены путем парофазного анализа, как это излагается в разделе 1.2. В связи с этим надо отметить, что одним из важных физико-химических [c.19]

Задача составления статистической модели множественной регрессии формулируется следующим образом. Пусть имеются экспериментальные точки, представляющие собой зависимость выходного параметра у от независимых факторов Х2,. .., х . Этот набор экспериментальных точек получен без какой-либо системы проведения опытов. Он может содержать в себе результаты, полученные по методу планирования эксперимента, данные пассивного промышленного эксперимента, а также литературные данные других исследователей. При этом статистическая модель множественной регрессии формулируется в виде зависимости [1,8] [c.621]

Следует, однако, отметить, что построение статистических моделей осуществимо лишь при наличии реального объекта, который допускает выполнение определенного объема экспериментальных исследований. Существенный недостаток этих моделей заключается в узости их применения, которая объясняется во-первых, ограниченным действием модели в рабочем режиме процесса (экстраполяция за пределы рабочего режима процесса недопустима) во-вторых, невозможностью переноса действия модели даже на однотипный объект. Эти ограничения затрудняют обобщение результатов, получаемых при применении статистических моделей. [c.52]

Экономико-математические модели различных типовых процессов и их сочетаний, приведенные в настоящей книге, сходны с экспериментально-статистическими моделями Грубова в основных этапах построения, однако существенно различаются направлениями использования н некоторыми другими особенностями. Подробнее об этом читатель сможет узнать при непосредственном изучении моделей, описанных во втором разделе книги. [c.43]

Описываемые в настоящем учебном пособии экспериментально-статистические методы позволяют получать математические модели таких процессов, строгое детерминированное описание которых вообще отсутствует. Основы математической статистики излагаются в книге нрименптельно к задачам обработки экспериментов и моделирования химико-технологических нроцессрв. Применяемый математический аппарат не выходит за рамки курса высшей математики втузов. [c.4]

Одно из преимуществ булева анализа перед классическим факторным анализом состоит в том, что алгоритм построения булевой модели, реализованный на ЭЦВМ, позволяет за приемлемое время обрабатывать обширные массивы экспериментально-статистической информации при больпшх размерностях задачи (порядка 1000 переменных). [c.105]

Для прямых редакций расчет Fi n (Т) является сложной динамической задачей, хотя во многих случаях было обнарулюно, что как экспериментальные результаты, так и результаты динамических траекторных расчетов описываются функциями распределения(7), которые сравнительно просто выра)] аются чере 1 функции распределения статистической модели [182, 377] [c.143]

Авторами при обработке экспериментальных данных 1Ю пиролизу индивидуальных углеводородов использована вероятностно-статистическая модель. Кинетику разложения индивидуального углеводорода описывали уравнением первого порядка с учетом изменения объема -(I+fi)lii(I-x)- Рх=кт, где р-коэффищ1ент увеличения объема к - константа скорости разложения углеводорода, с г - время контакта газа, с х - степень разложения индивидуального углеводорода. [c.154]

Крупп [468] оценивал величину 2о в 0,4 мкм, что соответствует постоянной кристаллической решетки для кристаллов с Ван-дер-Ваальсовскими связями, что подтверждено экспериментально. Крупп [467] подчеркивает также, что практически Д не является просто микроскопическим радиусом , а представляет собой функцию шероховатости поверхности, поскольку оба тела соприкасаются на выступающих участках шероховатой поверхности. Шпер-линг [787] дает статистическую модель этого явления, основываясь на данных электронной микроскопии. [c.333]

Закон распределения ошибок находят экспериментально статистическими методами. Если на стадии проектирования статистического материала нет, то определить степень адекватности модели невозможно, однако можно допустить условие равноточности элементов системы оптимизации [c.194]

По результатам экспериментально-статистических исследований гидродинамики многокомпонентных систем в моделях скважины с позиции обеспечения эффективных режимов лифтирования установлены оптимальные составы композиций различных по химической природе амфифильных соединений, которые необходимо вводить в поток. [c.118]

Создание новых химических технологий и совершенствование существующих связано с экспериментальными исследованиями. Объем исследовательских работ зависит от правильного выбора стратегии эксперимента, способа обработки экспериментальных данных и интерпретации полученных результатов. В ходе исследований строится статистическая модель процесса, которая устанавливает связь между влияющими факторами (параметрами воздействия) и функциями отклика (выходными параметрами), определяющими качество продукции и производительность производства. Вошедшее в середине XX столетия в практику исследований планирование эксперимента очень быстро стало необходимым инструментом в лаборатории и на производстве. Это подтверждают обширные перечни публикаций по вопросам теории и практики планирования эксперимента уже к 1970-м годам [2,35-37]. Для планируемого (активного) эксперимента в настоящее время используются планы первого порядка ПФЭ и ДФЭ (полный и дробный факторный эксперимент), планы второго порядка ОЦКП, РЦКП (ортогональное, ротота-бельное центральное композиционное планирование) и другие, для которых выполняется ряд дополнительных опытов в центре плана [6]. Разработано много планов второго порядка, удовлетворяющих различным специальным требованиям. Например, планирование эксперимента по схемам ортогональных латинских прямоугольников [9]. Алгоритмы обработки планированного эксперимента удобно представить, используя средства Ма1ЬСА0. Здесь приведен алгоритм полного плана первого порядка. [c.292]

Эксперименты [156, 170] выявили важную роль реакций в коденсированной фазе. Германе [72] предложил и детально разработал статистическую модель, позволяюш ую определить зависимость скорости горения от давления. В модели учитываются гетерогенность структуры поверхности СТТ и тепловыделение на поверхности или под ней. Основными допущениями, которые легли в основу теории, являются определяющая реакция на поверхности раздела ПХА — связующее и плоское одиночное пламя в подготовленной газовой смеси. Модель позволяет прогнозировать 1) связь между скоростью горения и давлением, согласующуюся с экспериментальными данными, [c.70]

К сожалению, нет никаких экспериментальных сведений по-изменению геометрии заряда, подтверждающих предложенную схему поверхностных реакций, а имеющиеся данные говорят скорее в пользу многопламенной структуры, чем структуры с одиночным пламенем, постулированной в работе [72]. Поэтому была предложена статистическая модель [7], базирующаяся на нескольких типах пламен ) (рис. 33, в). В этой модели приняты следующие предположения 1) прогрев связующего и окислителя осуществляется за счет теплопроводности, 2) связующее и окислитель разлагаются эндотермически, 3) между продуктами разложения в конденсированной фазе протекают экзотермические реакции и 4) газообразные продукты улетучиваются и реагируют в газовой фазе. При низком давлении рассматриваются три вида пламени первичное пламя между продуктами разложения связующего и окислителя, пламя окислителя и конечное диффузионное пламя между продуктами двух других пламен. Эта модель предсказывает зависимость скорости горения от содержания окислителя в ТРТ и от начальной температуры топливного заряда, среднюю температуру поверхности и расстояние до фронта пламени. Модель несколько завышает влияние размера частиц по сравнению с наблюдаемым на опыте. Бекстед усовершенствовал модель, применив ее к двухосновному ТРТ [4], а в следующей работе [5] предположил, что горючее и окислитель имеют разную, а не одинаковую (среднюю) температуру поверхности. Он также перешел от осреднения по [c.70]

Экспериментально-статистические методы математического моделирования целесообразно классифицировать (рис. 68) как по способу сбора экспериментальных данных (активный и пассивный эксперимент), так и по виду моделей (математические модели статики и динамики объектов исследования). Каждому сочетанию способа эксперимента и цели моделирования соответствует определенная группа математических методов. В частности, для составления математических моделей статики объектов при пассивном эксперименте используются методы корреляционного и регрессионного анализа, методы оценки параметров модели на основе критерия максимума правдоподобия и минимума среднего риска и др. Математические модели статики объекта при активном эксперименте удается получить, например, методами факторного эксперимента, методом ортогонального центрального композиционного планирования, методом центрального композиционного рототабель-ного планирования. [c.192]