Науковий вісник НГУ

Дослідження стохастичних властивостей часових рядів даних про хімічний аналіз чавуну

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №4 2024

Останнє оновлення: 28 серпня 2024

Опубліковано: 30 листопада -0001

Перегляди: 944

Authors:

В.Сіданченко*, orcid.org/0000-0001-5581-9177, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.Гусєв, orcid.org/0000-0002-0548-728X, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (4): 135 - 140

https://doi.org/10.33271/nvngu/2024-4/135

Abstract:

Мета. Забезпечення процедури ідентифікації хаотичних процесів у динамічній системі та перевірка часових рядів, що описують хімічний склад чавуну на випуску доменної печі, з метою ідентифікації нелінійності досліджуваної системи й наявності в ній хаотичних процесів.

Методика. Визначення унікальних характеристик атрактора динамічної хаотичної системи на основі часового ряду значень хімічного складу чавуну виконано методами нелінійної динаміки й теорії динамічного хаосу, такими як метод автокореляційної функції, кореляційної та фрактальної розмірності.

Результати. Методами нелінійної динаміки й теорії динамічного хаосу досліджено характер поведінки часових рядів даних про хімічний склад чавуну на випуску доменної печі. Виявлена наявність у досліджуваній динамічній системі хаотичних процесів, які мають фрактальну структуру, що зумовлює неефективність застосування традиційних методів аналізу, які ґрунтуються на гаусових властивостях стохастичних процесів.

Наукова новизна. Уперше обґрунтована можливість і доцільність застосування методів теорії хаосу для аналізу та прогнозування часових рядів даних про хімічний склад чавуну на випуску доменної печі. Також уперше виконана ідентифікація нелінійності досліджуваної динамічної системи й виявлена в ній наявність хаотичних процесів шляхом визначення унікальних характеристик дивного атрактора системи за аналізованими часовими рядами, таких як розмірність вкладення, часова затримка та значення старшого показника Ляпунова.

Практична значимість. Отримані результати відкривають можливість більш ефективного та якісного аналізу поведінки досліджуваної динамічної системи шляхом розробки нових інструментів оцінки та прогнозу, адекватних характеру досліджуваних процесів.

Ключові слова: нелінійна динаміка, динамічний хаос, дивний атрактор, фрактальні властивості часових рядів, спектрограма

References.

1. Sirenko, K. A., & Mazur, V. L. (2021). Ideology of adjusting the chemical composition of synthetic cast iron in the process of casting. Metal ta lyttia Ukrainy, 29(4). https://doi.org/10.15407/scin15.04.005.

2. Sidanchenko, V. (2023). Examination of the data distribution nature on the chemical composition of cast iron at the output. Information Technology: Computer Science, Software Engineering and Cyber Security, (3), 65-69. https://doi.org/10.32782/IT/2023-3-8.

3. Gusev, O., & Sidanchenko, V. (2022). Fractal analysis of real data on the chemical compositionof cast iron at the output of a blast furnace. Information Technology: Computer Science, Software Engineering and Cyber Security, (2), 24-31. https://doi.org/10.32782/IT/2022-2-3.

4. Pechuk, V., Krasnopolska, T., & Pechuk, Ye. (2023). A universal algorithm for estimating the leading lyapunov exponent in a dissipative dynamic system. Prykladna heometriia ta inzhenerna hrafika, (105), 190-199. https://doi.org/10.32347/0131-579X.2023.105.190-199.

5. Derbentsev, V. D., Serdiuk, O. A., Soloviov, V. M., & Sharapov, O. D. (2010). Synergistic and econophysical methods of studying dynamic and structural characteristics of economic systems. Brama-Ukraina. https://doi.org/10.31812/0564/1045.

6. Danylov, V. Ya., Zinchenko, A. Yu., & Zhyrov, O. L. (2013). Detection of chaos in realizations of nonlinear dynamic systems and pseudo-phase reconstruction of their attractors. Naukovi pratsi Chornomorskoho derzhavnoho universytetu imeni Petra Mohyly. Ser.: Kompiuterni tekhnolohii, (201), 120-126.

7. Sidanchenko, V., & Nikolska, O. (2023). Methods of non-linear dynamics in the problem of forecasting the chemical composition of cast iron at the output. Information Technology: Computer Science, Software Engineering and Cyber Security, (2), 76-83. https://doi.org/10.32782/IT/2023-2-9.

8. Rusyn, V. B. (2014). Modeling and research of Chaotic Rossler system with LabView and Multisim software environments.  Visnyk Natsionalnoho Tekhnichnoho Universytetu Ukrainy Kyivskyi Politekhnichnyi Instytut. Seriia: Radiotekhnika. Radioaparatobuduvannia, (59).

9. Chikina, N. O., & Antonova, I. V. (2022). Prediction analysis of time series with long-term memory. Visnyk Natsionalnoho tekhnichnoho universytetu “KhPI”. Seriia: Matematychne modeliuvannia v tekhnitsi ta tekhnolohiiakh, (1), 130-136. https://doi.org/10.20998/2222-0631.2022.01.14.

10. Zaika, V. I., & Kyshenko, V. D. (2012). Forecasting the operation of the defecosaturation station using the theory of deterministic chaos. Visnyk Sumskoho derzhavnoho universytetu. Ser.: Tekhnichni nauky, (3), 72-79.

11. Budkova, L. V., & Korniyenko, V. I. (2013). Complex estimation of characteristics and traffic identification in information telecommunication networks. Information Processing Systems, (2), 109.

12. Koibichuk, V. V., Bozhenko, V. V., Yatsenko, V. V., Hrytsenko, K. H., Didenko, I. V., & Dotsenko, T. V. (2023). Development of financial asset price forecasting models using machine learning methods and statistical analysis. UKRNOIVI.

13. Zamula, O. A. (2019). Optimization of discrete complex signal synthesis methods in modern broadband multi-user communication systems. Radiotekhnika, (198), 182-191. https://doi.org/10.30837/rt.2019.3.198.13.

14. Chernetski, N., & Kishenko, V. (2014). Brewing unit time series analysis in the research of the complex system attractor properties. Eastern-European Journal of Enterprise Technologies, 6(2). https://doi.org/10.15587/1729-4061.2014.31094.

15. Unihovskyi, L. M., Oleshko, T. I., Horbacheva, O. M., Maru­sych, O. V., & Leshchynskyi, O. L. (2010). Quasi-cyclical pre-forecast analysis of world oil prices. Modeliuvannia ta informatsiini tekhnolohii.

16. Pechuk, V. D., & Krasnopolskaya, T. S. (2022). On the estimation of the senior Lyapunov exponent of the cross-wave model in a rectangular channel of finite dimensions. Matematychni metody ta fizyko-mekhanichni polia, 65(1-2), 209-215.

17. Voronov, H. H. (2020). Application of image recognition methods for classification of time series. Retrieved from https://openarchive.nure.ua/handle/document/21644.

18. Liushenko, L., Perehuda, Ya., & Sushchuk-Sliusarenko, V. (2023). A software solution for forecasting the dynamics of currency rates taking into account the influence of crisis factors. Nauka i tekhnika sohodni, (22). https://doi.org/10.52058/2786-6025-2023-8(22)-369-382.

19. Khomiak, A. (2022). Methods of time series analysis using recurrent neural networks. Materialy XI Mizhnarodnoi naukovo-praktychnoi konferentsii molodykh uchenykh ta studentiv “Aktualni zadachi suchasnykh tekhnolohii”, 128-128. Retrieved from https://elartu.tntu.edu.ua/bitstream/lib/39372/1/Zbirnyk_%D0%A1IIMT_2022.pdf#page=130.

20. Zeng, Z., Amin, M. G., & Shan, T. (2020). Arm motion classification using time-series analysis of the spectrogram frequency envelopes. Remote Sensing, 12(3), 454. https://doi.org/10.3390/rs12030454.

• < Попередня
• Наступна >