Статья

Авторы:
Руфанов А. О.
DOI:
Полный текст:
В статье рассмотрена возможность применения интеллектуальных моделей для аппроксимации и прогнозирования температуры в модельном термодинамическом процессе нагрева, построена расчетная выборка на основе теплового баланса сосредоточенной системы, обучены регрессионные модели и сопоставлены их ошибки. В работе показано, что модели машинного обучения могут использоваться как быстрые приближенные заменители расчетной модели при сохранении физической интерпретируемости постановки.
Руфанов Александр Олегович
Аспирант,
https://orcid.org/0009-0006-6678-0910, alexnder@rufanov.net,
Череповецкий государственный университет
(д. 5, пр-т. Луначарского, 162600 Череповец, Россия)
Bejan A. Advanced engineering thermodynamics. Hoboken: Wiley, 2016. 792 p. https://doi.org/10.1002/9781119245964

Bergman T. L., Lavine A. S., Incropera F. P. DeWitt fundamentals of heat and mass transfer. Hoboken: Wiley, 2017. 1048 p.

Breiman L. Random forests. Machine learning, 2001, vol. 45, рр. 5–32. https://doi.org/10.1023/A:1010933404324

Brunton S. L., Kutz J. N. Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge: Cambridge University Press, 2019. 472 p. https://doi.org/10.1017/9781108380690

Cai S., Wang Z., Wang S., et al. Physics-informed neural networks for heat transfer problems. Journal of Heat Transfer, 2021, vol. 143, no. 6, р. 060801. https://doi.org/10.1115/1.4050542; EDN: FKYDDW

Friedman J. H. Greedy function approximation: A gradient boosting machine. The Annals of
Statistics, 2001, vol. 29, no. 5, рр. 1189–1232. https://doi.org/10.1214/aos/1013203451

Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: MIT Press, 2016. 800 p.

Han J.-C., Wright L. Analytical heat transfer. Boca Raton: CRC Press, 2022. https://doi.org/10.1201/9781003164487

Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. New York: Springer, 2009. 745 p. https://doi.org/10.1007/978-0-387-84858-7

Pedregosa F., Varoquaux G., Gramfort A., et al. Scikit-learn: Machine learning in Python.
Journal of Machine Learning Research, 2011, vol. 12, рр. 2825–2830.

Raissi M., Perdikaris P., Karniadakis G. E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential
equations. Journal of Computational Physics, 2019, vol. 378, рр. 686–707. https://doi.org/10.1016/j.jcp.2018.10.045
Ключевые слова:
термодинамический процесс, машинное обучение, тепловой баланс, интеллектуальная модель, прогнозирование температуры
Для цитирования:
Руфанов А. О. Применение интеллектуальных моделей для аппроксимации и прогнозирования параметров термодинамического процесса нагрева. Вестник Череповецкого государственного университета, 2026, № 5 (134), с. 55–64. https://doi.org/10.23859/1994-0637-2026-5-134-5; EDN: TXEIGB

Creative Commons LicenseКонтент доступен под лицензией Creative Commons Attribution 4.0 License.