Forskarna i Perm Polytechnic har utvecklat en intelligent modul för hantering av det lokala värmesystemet. Neuralati hjälper exakt och snabbt beräkna kylvätskans temperatur vid utgången av pannrummet. Tekniken gör att du kan behålla det när det gäller konsumenter, undvik orimligt överhettning av kylvätskan och spara pengar på uppvärmning. Utvecklingen har inga analoger i Ryssland än.
Nu används styrenheterna ganska allmänt, vilket automatiskt stöder den angivna temperaturen vid utloppet på pannrummet. De erforderliga värdena definierar operatören, huvudsakligen med fokus på termometern och den tillgängliga feedbacken. Vår utveckling innebär kontroll med sådana neurala nätverk, som används i beräkningarna, inte bara det aktuella värdet av omgivningstemperaturen utan också en rimlig prognos. Detta gör att du kan förutbetjäna transportens temperatur och undvika förseningar, säger docent i institutionen för datasättnadsmatematik, mekanik och biomekanik i Perm Polytech, kandidat av tekniska vetenskaper Vladimir Onistkiv.
För att undervisa Neuralo använde forskare en stor mängd statistiska data. Den innehåller synkroniserade kylmedelstemperaturer vid olika punkter i det termiska nätverket och omgivningstemperaturen.
Forskare har försökt den intelligenta modulen genom att skriva den i ett program för programvara och hårdvara automatiserad Aurora. Värmebalansen i bostads- och kommunala tjänster, som har utvecklat och använder ett av företagen i Perm Territory. Som ett resultat kan komplexet automatiskt justera kylvätskans temperatur vid utloppet på pannrummet, med tanke på prognosen för förändrade väderförhållanden.
För att säkerställa bekväma termiska förhållanden i konsumenthem måste värmeförsörjningsorganisationer ständigt övervaka nätverkets temperaturstillstånd. Men den här tjänsten är fortfarande otillgänglig för de flesta termiska företag, så de försäkrar sina risker, upprätthåller högre termisk bärartemperatur. Som ett resultat är invånarna ofta tvungna att överföra för verktyg, förklarar forskaren.
Enligt forskare kan användningen av neuralt nätverk i processen att styra värmekontrollen spara bränsle och förhindra sitt överskridande. Med plötsliga väderförändringar blir denna effekt särskilt signifikant. Gasbesparingar kan nå 10-15%, beroende på den yttre lufttemperaturen och det totala tillståndet för värmekontakten.
Multilayer Neural Networks och Deep Learning Networks kan förutsäga den nödvändiga panntemperaturen, med tanke på väderprognosen och funktionerna i kylvätska.
I processen att skapa en intelligent modul analyserade forskare olika typer av neurala nätverk. Den slutliga arkitekturen består av 224 neuroner, beställda i tre lager. Den beräknade temperaturen på kylmediet vid utloppet av pannrummet ger dessa temperaturvärden vid ingången till det hus som normerna är nödvändiga.