Прогнозирование - катализатор
Cтраница 1
 |
Примеры неравномерного распределения точек в пространстве признаков. [1] |
Прогнозирование катализаторов на основе принципа перцеп-трона производится с помощью алгоритмов, при реализации которых ЭВМ запоминает в ходе предъявления ей реализаций обучающей последовательности, какие комбинации признаков соответствуют одному из классов, а какие другому, а затем в соответствии с этим классифицирует новые прогнозируемые реализации. При этом в качестве признаков фигурирует не только наличие или отсутствие у реализаций некоторых свойств, например окраски, но и наличие или отсутствие некоторого свойства в заданных границах значений, например электропроводности в интервале 10 - 20 1 / Ом. [2]
 |
Распределение катализаторов разложения 4 4-диметилдио-ксана по активности в пространстве-признаков ( О - хорошие катализаторы, Д - средние, - - - - - - плохие. [3] |
В практике прогнозирования катализаторов существенным вопросом является конкретное определение понятия класс. Здесь могут быть два подхода. Если в разрабатываемом множестве катализаторов не предполагается резкого, качественного различия между отдельными группами катализаторов или если вне зависимости от природы каталитического эффекта желательно подобрать катализаторы лишь по эффективности их действия, то границы классов устанавливаются только по технико-экономическим соображениям, например, исходя из тех значений производительности или селективности, ниже которых процесс становится нерентабельным. В этих случаях границы классов проводятся достаточно произвольно, обычно исходя из сложившейся практики аналогичных или действующих производств. Если можно предположить качественные различия в активности или селективности для отдельных подмножеств исследуемого множества катализаторов, то границу классов следует проводить по значениям параметров, соответствующих естественному разделению множества на подмножества. Первый подход свойствен задачам прогнозирования в чистом виде. Он требует априорного установления границ классов. Второй подход представляет интерес в случаях, когда наряду с задачами прогнозирования или перед ними возникают вопросы анализа механизмов явления и установления естественной классификации множества каталитически активных веществ по их свойствам. В этом случае граница классов заранее не устанавливается, а определяется в ходе решения задачи. [4]
Второе направление квантовохимического прогнозирования катализаторов связано с построением квантовохимических моделей поверхностей твердых тел, структуры хемосорбированных комплексов субстрат - катализатор или непосредственным изучением акта реакции на различных контактах. [5]
Алгоритмы распознавания для прогнозирования катализаторов могут строиться на различных принципах, среди которых в гетерогенном катализе хорошо зарекомендовали себя принципы потенциальных функций и перцептрона. [6]
Применительно к проблеме прогнозирования катализаторов были опробованы два наиболее употребительных алгоритма распознавания: алгоритм потенциальных функций и алгоритм пер-цептрона. [7]
Проверка методов распознавания для прогнозирования катализаторов первоначально была проведена на примере реакции окисления СО на оксидах металлов. В качестве признаков были выбраны 20 физических свойств катализаторов, табулированных в литературе. Все катализаторы были разбиты на три класса - хорошие, средние и плохие - на основе значений каталитической активности. [8]
В настоящее время отсутствует количественная теория прогнозирования катализаторов. В основе их выбора лежат общие закономерности, которые были рассмотрены выше ( см. гл. [9]
Для решения задач, связанных с прогнозированием катализаторов, целесообразно использовать простые полуэмпирические методы типа ППДП или РМХ, поскольку в этом случае наибольший интерес представляют не строгие количественные результаты, а изменение однотипных физико-химических характеристик изучаемых систем при переходе от одного катализатора к другому. [10]
Нам представляется, что дальнейшее развитие методов прогнозирования катализаторов на основе обследования их физико-химических свойств при использовании принципов теории распознавания сможет дать ощутимый практический результат. Область применения этих методов будет значительно расширена, если будут значительно расширены исследования по свойствам смешанных и промотированных катализаторов. [11]
Работа посвящена применению статистической теории распознавания к прогнозированию катализаторов. Рассмотрены реакции окисления окиси углерода и углеводородов на ионоокисных катализаторах. [12]
Как указывалось выше, количественные методы подбора и прогнозирования катализаторов носят полуэмпирический характер и поэтому не универсальны, а ограничены более или менее узкими классами превращений и катализаторов. Фактически к настоящему моменту определялось три основных направления в разработке этих методов. [13]
Усредненные атомные параметры были использованы в качестве признаков для прогнозирования катализаторов разложения перекиси водорода с помощью линейного бинарного классификатора с ненулевым порогом. Обучающая последовательность состояла из 93 сплавов серебра или золота с металлами VIII группы. Правильно было классифицировано 85 % катализаторов, что, по-видимому, является максимально достижимым значением при работе с этим алгоритмом. [14]
Именно такие расчеты представляют наибольший интерес с точки зрения прогнозирования катализаторов. [15]
Страницы: 1 2 3