دانشمندان PolyTechnic Perm Poly یک ماژول هوشمند برای مدیریت سیستم تامین حرارت محلی ایجاد کرده اند. Neuralati به طور دقیق و به سرعت محاسبه دمای خنک کننده را در خروج از اتاق دیگ بخار کمک خواهد کرد. این تکنولوژی به شما اجازه می دهد تا آن را از لحاظ مصرف کنندگان حفظ کنید، از گرمای بیش از حد غیر منطقی از خنک کننده و صرفه جویی در منابع گرما استفاده کنید. توسعه هنوز مشابه آنالوگ در روسیه نیست.
در حال حاضر واحدهای کنترل به طور گسترده ای مورد استفاده قرار می گیرند، که به طور خودکار از دمای مشخص شده در خروجی اتاق دیگ بخار پشتیبانی می کند. مقادیر مورد نیاز اپراتور را تعریف می کند، عمدتا تمرکز بر دماسنج و بازخورد موجود است. توسعه ما شامل کنترل با استفاده از چنین شبکه های عصبی است که در محاسبات نه تنها ارزش فعلی دمای محیط، بلکه یک پیش بینی معقول استفاده می شود. این به شما اجازه می دهد تا قبل از ارزیابی دمای حامل و اجتناب از تاخیر، استاد دانشکده ریاضیات محاسبات، مکانیک و بیومکانیک Perm Polytech، نامزد علوم فنی ولادیمیر Onistkiv.
برای تدریس Neuralo، دانشمندان از مقدار زیادی از داده های آماری استفاده کردند. این شامل دمای خنک کننده هماهنگ شده در نقاط مختلف شبکه حرارتی و دمای محیط است.
دانشمندان ماژول هوشمند را با تایپ آن در یک سیستم کنترل خودکار نرم افزاری و سخت افزاری سعی کرده اند. تعادل حرارتی در خدمات مسکن و خدمات جمعی، که توسعه یافته و از یکی از شرکت های منطقه Perm استفاده کرده است. به عنوان یک نتیجه، این مجموعه به شما اجازه می دهد تا به طور خودکار درجه حرارت خنک کننده را در خروجی اتاق دیگ بخار تنظیم کنید، با توجه به پیش بینی تغییر شرایط آب و هوایی.
برای اطمینان از شرایط حرارتی راحت در خانه های مصرفی، سازمان های تامین حرارت باید به طور مداوم نظارت بر وضعیت دما از شبکه. اما این سرویس برای اکثر شرکت های حرارتی هنوز در دسترس نیست، بنابراین آنها خطرات خود را حفظ می کنند، حفظ دمای حامل حرارتی بالاتر. به عنوان یک نتیجه، ساکنان اغلب مجبور به پرداخت بیش از حد برای خدمات، محقق توضیح می دهد.
به گفته دانشمندان، استفاده از شبکه عصبی در فرایند کنترل شبکه گرما به شما اجازه می دهد تا سوخت را ذخیره کنید و از پیشگیری از آن جلوگیری کنید. با تغییرات ناگهانی آب و هوا، این اثر به ویژه قابل توجه است. پس انداز گاز می تواند به 10 تا 15 درصد برسد، بسته به دمای هوا بیرونی و وضعیت کلی شبکه گرما.
شبکه های عصبی چند لایه و شبکه های یادگیری عمیق قادر به پیش بینی دمای دیگ بخار لازم هستند، با توجه به پیش بینی آب و هوا و ویژگی های جنبش خنک کننده.
در فرآیند ایجاد یک ماژول هوشمند، دانشمندان انواع مختلفی از شبکه های عصبی را تجزیه و تحلیل کردند. معماری نهایی شامل 224 نورون است که در سه لایه مرتب شده است. دمای محاسبه شده خنک کننده در خروجی اتاق دیگ بخار این مقادیر دما را در ورودی به خانه فراهم می کند که استانداردها مورد نیاز است.