Прогнозирование - катализатор
Cтраница 2
Как видно на схеме, необязательно использовать ЭВМ на всех этапах прогнозирования катализаторов. [16]
Представляется перспективным, на наш взгляд, использовать метод атом-атомных потенциалов при прогнозировании катализаторов в такой бурно развивающейся области катализа, как катализ на цеолитах. Действительно, с помощью этого метода, в принципе, можно рассчитывать конформации органических молекул в микропорах цеолитов, диффузионные барьеры, оценивать свойства цеолитов как молекулярных сит. [17]
В силу указанного выше статистического характера проблемы распознавания, а также учитывая специфику прогнозирования катализаторов, изложенный принципиальный алгоритм методов распознавания должен быть соответственно детализирован. Прежде чем перейти к изложению практически примененных в задачах о катализаторах алгоритмов, остановимся на упомянутой специфике этих задач. [18]
Рассмотрим кратко основы математической теории распознавания и ее алгоритмы, оказавшиеся эффективными при решении задач прогнозирования катализаторов. [19]
Общим вопросам реакций с участием комплексов посвящен ряд монографий [26-30], поэтому мы ограничимся рассмотрением некоторых частных вопросов, связанных с особенностями гетерогенного катализа и прогнозирования катализаторов этого типа. [20]
Принцип линейных соотношений свободных энергий ( ЛССЭ), являющийся одним из современных направлений количественной теории органических соединений [18], наряду с квантовохими-ческим подходом представляет второе важное направление количественных методов прогнозирования катализаторов. [21]
Расчеты, основанные на принципе линейных соотношений свободной энергии, имеют ограниченные возможности, поскольку они применимы только в случаях вариации однотипных катализаторов для данной реакции или вариации гомологов для одного катализатора в данной реакции. Очевидно, что практические потребности в прогнозировании катализаторов выходят за эти рамки. [22]
Распознаваемый объект относится машиной к тому классу, потенциал которого по отношению объекта наибольший. Если, как это целесообразно в задачах прогнозирования катализаторов, на каждой стадии распознавания проводится отнесение объекта к одному из двух классов. [23]
Реальная структура катализатора проявляется в деформации энергетических зон вблизи поверхности, наличие дислокационных дефектов, неупорядоченности структуры, а также в изменениях, порождаемых взаимодействием катализатора с субстратом. Все это необходимо принимать во внимание при прогнозировании катализаторов. [24]
Ряд алгоритмов теории распознавания не имеет столь наглядной геометрической трактовки. К ним относится, в частности, нашедшая применение для прогнозирования катализаторов группа алгоритмов, основанная на принципе пер-цептрона. Их методика сводится к разделению объектов на классы, исходя из свойственных каждому классу сочетаний значений признаков. [25]
Возникает проблема выработки такой стратегии принятия решений, которая обеспечивала бы оптимальный прогноз катализатора в условиях существования указанных альтернативных ситуаций. Согласно этой схеме, использование ЭВМ необязательно на всех этапах прогнозирования катализаторов. [26]
При таких обстоятельствах приходится исходить из свойств компонентов, примененных для синтеза катализаторов. Алгоритмы таких эвристических программ по сути идентичны системному подходу к решению задач прогнозирования катализаторов. [27]
Как видно из рисунка, разделение классов по одному признаку невозможно, поскольку в каждом из них классы перекрываются. В то же время в двухмерном пространстве оба класса хорошо разграничены. Легко представить себе, что в задачах прогнозирования катализаторов, где априорная мерность пространства признаков может достигать нескольких десятков, попытки предсказать активность катализатора из анализа значений даже его нескольких свойств могут оказаться неудачными и приведут лишь к запутыванию вопроса. [28]
Их использование базируется на анализе исходного эмпирического материала, который включает две группы данных. Первую группу составляют данные о составе исследованных в лабораторных или промышленных условиях катализаторах и их физико-химических свойствах, вторую - сведения о целевых свойствах, которыми могут быть активность, селективность, стабильность катализаторов. Математико-статистические методы позволяют выявить многомерные корреляции между признаками и целевыми свойствами и использовать их для прогнозирования катализаторов. [29]
 |
Иллюстрация к по - приемлемую величину. Однако у этого. [30] |
Страницы: 1 2 3