स्थानिक उष्णता पुरवठा व्यवस्थेचे व्यवस्थापन करण्यासाठी परवानगी पॉलीटेक्निकच्या शास्त्रज्ञांनी एक बुद्धिमान मॉड्यूल विकसित केला आहे. नेत्रती सर्व अचूकपणे मदत करेल आणि बॉयलर रूमच्या बाहेरील निर्गमनाच्या तपमानावर द्रुतपणे गणना करेल. तंत्रज्ञान आपल्याला ग्राहकांच्या दृष्टीने टिकवून ठेवण्यास अनुमती देते, कूलंटच्या अयोग्य अतिवृद्धीपासून दूर राहतात आणि हीटिंगवर निधी जतन करतात. अद्याप रशियामध्ये विकास नाही.
आता कंट्रोल युनिट्स मोठ्या प्रमाणात वापरली जातात, जी स्वयंचलितरित्या बॉयलर रूमच्या आउटलेटवर स्वयंचलितपणे समर्थन करतात. आवश्यक मूल्ये ऑपरेटर परिभाषित करते, प्रामुख्याने थर्मामीटर आणि उपलब्ध अभिप्रायावर लक्ष केंद्रित करते. आमच्या विकासामध्ये अशा न्यूरल नेटवर्क्सचा वापर करून नियंत्रण समाविष्ट आहे, जे केवळ वातावरणीय तापमानाचे वर्तमान मूल्य नाही तर वाजवी अंदाज देखील नाही. हे आपल्याला वाहकाचे तापमान पूर्व-मूल्यांकन करण्यास अनुमती देते आणि पर्म पॉलिटेकच्या उमेदवाराचे उमेदवार, तांत्रिक सायन्स व्लादिमीर ओनिस्टकिव्हचे उमेदवाराचे संगणकीय प्राध्यापक सांगते.
न्यूरलो शिकवण्यासाठी, शास्त्रज्ञांनी मोठ्या प्रमाणावर सांख्यिकीय डेटा वापरला. यात थर्मल नेटवर्क आणि वातावरणीय तापमानाच्या विविध ठिकाणी सिंक्रोनाइझ केलेले शीतक तापमान समाविष्ट आहे.
शास्त्रज्ञांनी सॉफ्टवेअर आणि हार्डवेअर स्वयंचलित ऑरोरा कंट्रोल सिस्टममध्ये टाइप करून बुद्धिमान मॉड्यूलचा प्रयत्न केला आहे. गृहनिर्माण आणि सांप्रदायिक सेवांमध्ये थर्मल बॅलन्स, ज्याने परम क्षेत्रातील कंपन्या विकसित आणि वापरल्या आहेत. परिणामी, जटिल हवामान परिस्थिती बदलण्यासाठी अंदाज देणारी बॉयलर रूमच्या आउटलेटवर कूलंटचे तापमान स्वयंचलितपणे समायोजित करण्यास अनुमती देते.
ग्राहक घरांमध्ये आरामदायक थर्मल परिस्थिती सुनिश्चित करण्यासाठी, उष्णता पुरवठा संस्था सतत नेटवर्कच्या तापमान स्थितीचे परीक्षण करणे आवश्यक आहे. परंतु ही सेवा सर्वात थर्मल कंपन्यांसाठी अद्याप अनुपलब्ध आहे, म्हणून ते त्यांच्या जोखीम कमी करतात, उच्च थर्मल कॅरियर तापमान राखतात. परिणामी, रहिवाशांना नेहमीच उपयुक्ततेसाठी जास्त प्रमाणात जास्त भाग घेण्यास भाग पाडले जाते, असे संशोधकांचे वर्णन करतात.
शास्त्रज्ञांच्या मते, उष्णता नेटवर्क नियंत्रित करण्याच्या प्रक्रियेत न्यूरल नेटवर्कचा वापर आपल्याला इंधन वाचविण्याची आणि त्याचे ओव्हरुन टाळण्यास अनुमती देते. अचानक हवामान बदल झाल्यामुळे, हा प्रभाव विशेषतः महत्त्वाचा होतो. बाह्य हवेच्या तपमानावर आणि उष्णतेच्या नेटवर्कच्या संपूर्ण अवस्थेवर अवलंबून, गॅस बचत 10-15% पोहोचू शकतात.
मल्टीलायर न्यूरल नेटवर्क्स आणि गहन शिक्षण नेटवर्क आवश्यक बॉयल तापमान आणि कूलंट चळवळीचे वैशिष्ट्ये दिलेले, आवश्यक बॉयल तापमान अंदाज करण्यास सक्षम आहेत.
बुद्धिमान मॉड्यूल तयार करण्याच्या प्रक्रियेत, शास्त्रज्ञांनी विविध प्रकारच्या न्यूरल नेटवर्कचे विश्लेषण केले. अंतिम आर्किटेक्चरमध्ये तीन स्तरांमध्ये ऑर्डर केलेल्या 224 न्यूरॉन्स असतात. बॉयलर रूमच्या आउटलेटवरील कूलंटचे मोजमाप तपमान हे मानक आवश्यक असलेल्या घराच्या प्रवेशद्वारावर ते तापमान मूल्य प्रदान करते.