В статье рассмотрены подходы к построению модели процесса сушки полимерного покрытия при производстве окрашенного проката. Авторами предложен новый подход к модификации функции потерь, используемой при построении моделей с помощью алгоритмов машинного обучения. Для этого введено понятие физически обоснованной модели, которая реализуется путем корректировки процесса ее обучения на основе известных физических закономерностей. Данный подход позволяет повысить точность полученной модели машинного обучения за счет улучшения ее обобщающей способности и получения физически непротиворечивых прогнозов. Для рассматриваемой модели процесса сушки полимерного покрытия этот подход обеспечивает повышение точности прогнозирования температуры на поверхности полосы в печах сушки полимерного покрытия и снизить ошибку модели с 14 ˚С до 2,5 ˚С.

Варфоломеев И. А. Метод и алгоритмы нейро-нечеткого управления многосвязными тепловыми объектами агрегата полимерных покрытий металла: дис. ... канд. техн. наук. – Череповец: [б. и.], 2013. – 164 с.
Воронцов К. В. Комбинаторная теория надежности обучения по прецедентам: дис. … д-ра физ.-мат. наук. – Москва: [б. и.], 2010. – 271 с.
Ильичев В. Г. Адаптация параметров в моделях экологии // Автоматика и телемеханика. – 2005. – № 2. – С. 124–137.
Лянге С. Г., Варфоломеев И. А., Осколков В. М., Ершов Е. В. ПО параметрической идентификации модели сушки полимерного покрытия на основе алгоритма COBYLA. Патент № 2018617169; дата регистрации 19.06.2018 г.
Менин Б. М. Оптимальная математическая модель для описания физических явлений и процессов // Научно-технический вестник информационных технологий, механики и оптики. – 2018. – Т. 18. – № 2. – С. 322–330.
Молчанова А. А. Оцинкованный и окрашенный прокат: тенденции производства и потребления // Снабжение и контракты. – 2013. – № 4. – С. 4–7.
Осколков В. М., Лянге С. Г., Варфоломеев И. А., Виноградова Л. Н., Ершов Е. В. Применение генетического алгоритма для подбора коэффициентов математической модели агрегата нанесения полимерного покрытия // Современные информационные технологии. Теория и практика: материалы IV Всероссийской научно-практической конференции (г. Череповец, 4 декабря 2017 г.). – Череповец: ЧГУ, 2018. – С. 76–79.
Осколков В. М., Петрова Т. О., Варфоломеев И. А., Виноградова Л. Н., Ершов Е. В. Математическое и алгоритмическое обеспечение модели сушки полосы с полимерным покрыти-ем // Вестник Череповецкого государственного университета. – 2018. – № 6 (87). – С. 19–26.
Шестаков С. Д. Многопузырьковая акустическая кавитация: математическая модель и физическое подобие // Электронный журнал «Техническая акустика». – 2010. – Т. 10. – URL: http://www.ejta.org/ru/shestakov2 (дата обращения: 26.01.2019).
Bertrand B., Florian C., Vincent L. A statistical physics approach to perform fast highly-resolved air quality simulations – A new step towards the meta-modelling of chemistry transport models // Environmental Modelling & Software. – 2019. – Vol. 116. – P. 100–109.
Klebanov L., Rachev S. T., Fabozzi F. Robust and Non-Robust Models in Statistics. – New York: Nova Scientific Publishers, 2009. – 307 p.
Lee J., Kang K. C., Sawyer P., Lee H. A holistic approach to feature modeling for product line requirements engineering // Requirements Engineering. – 2014. – Vol. 19. – Iss. 4. – P. 377–395.
Melo de V. V., Banzhaf W. Automatic feature engineering for regression models with machine learning: An evolutionary computation and statistics hybrid // Information Sciences. – 2018. – Vol. 430–431. – P. 287–313.
Nikitin D. A. Adaptive Quaternion-Based Quadrotor Control System // Automation and Remote Control. – 2019. – Vol. 80. – № 9. – P. 1717–1733.
Powell M. J. Direct search algorithms for optimization calculations // Acta Numerica. – 1998. – Vol. 7. – P. 287–336.
Silaev A. V. Parametric Adaptation Algorithm for the Basic Law Used to Control Orientation of a Large Space Structure on the Base of Flexible Modes Envelope Estimation // Automation and Remote Control. – 2010. – Vol. 71. – № 5. – P. 911–919.
Stavropoulos P., Alexopoulos H., Papacharalampopoulos A., Mourtzis D. Automotive weather strip manufacturing: Process modeling and extrudate dimensional accuracy evaluation // Procedia CIRP. – 2018. – Vol. 72. – P. 375–380.
Krishnamurthy B., Bylya O., Davey K. Physical modelling for metal forming processes // Procedia Engineering. – 2017. – Vol. 207. – P. 1075–1080.
Wang X., Yang S., Wang Y., Zhao Y., Ma B. Improved permeability prediction based on the feature engineering of petrophysics and fuzzy logic analysis in low porosity-permeability reservoir // Journal of Petroleum Exploration and Production Technology. – 2019. – Vol. 9. – Iss. 2. – P. 869–887.
Zheng L., Xianfeng M., Hongliang X. Feature engineering of machine-learning chemisorption models for catalyst design // Catalysis Today. – 2017. – Vol. 2. – P. 232–238.