В целях уменьшения погрешности при определении пожароопасных свойств органических веществ при помощи способа прогнозирования на основе молекулярных дескрипторов и искусственных нейронных сетей, реализуемых оригинальной компьютерной программой «Нейропакет КДС 1.0», было решено модифицировать имеющийся программный продукт путем внедрения компьютерной библиотеки Deep Learn Toolbox. Представленная библиотека реализует моделирование искусственных нейронных сетей путем «глубокого обучения». В этом случае искусственная нейронная сеть имеет два и более скрытых слоя. Проводили верификацию данных, основываясь на некоторых справочных данных. Установлено, что полученные данные в результате работы модифицированной программы дают относительную погрешность по сравнению со справочными данными, не превышающую 5 %.
глубокое обучение, молекулярные дескрипторы, пожарная безопасность, свойства веществ, искусственные нейронные сети
1. Технический регламент о требованиях пожарной безопасности: Федер. закон от 22 июля 2008 г. № 123-ФЗ (одоб. Советом Федерации 11 июля 2008 г.) // Рос. газ. 2008. № 163.
2. Королев Д.С., Калач А.В., Каргашилов Д.В. Прогнозирование пожароопасных свойств веществ и материалов с использованием дескрипторов и нейронных сетей // Науч.-теоретич. журн. «Вестник БГТУ им. В.Г. Шухова». 2015. № 4. С. 100-103.
3. Королев Д.С., Калач А.В., Рудаков О.Б. Прогнозирование пожароопасных свойств веществ // Безопасность в техносфере. 2015. Т. 56. № 5. С. 3-6.
4. Королев Д.С., Калач А.В., Каргашилов Д.В. Свидетельство о государственной регистрации программы для ЭВМ № 2016614070 «Нейропакет КДС 1.0»; правообладатель ФГБОУ ВО Воронежский ин-т ГПС МЧС России. № 2016611455; заяв. 24.02.16; зарегистрировано в реестре программ для ЭВМ 16.04.16.
5. Cybernetic methods of drug design. I. Statement of the problem the perceptron approach / S.A. Hiller [et al.] // Comput. Biomed. Res. 1973. V. 6. № 5. P. 411-421.
6. Zupan J., Gasteiger J. Neural networks: a new method for solving chemical problems or just a passing phase? // Anal. Chim. Acta. 1991. V. 248. № 1. С. 1-30.
7. Freeman J.A., Skapura D.M. Neural networks: algorithms, applications and programming techniques. Addison-Wesley Publishing Company: Menlo Park, CA, 1991. 414 p.
8. Сайт Deep learning (глубокое или глубинное обучение). URL: http://www.insycom.ru/html/metodmat/dp.pdf (дата обращения: 20.11.2016).
9. Ngoc L.M., Yoon- Mo K. Quantitative prediction of lipase reaction in ionic liquids by QSAR using COSMO-RS molecular descriptors // Biochemical Engineering Journal. 2014. Vol. 87. № 5. Pp. 33-40.
10. Free S.M., Jr., Wilson J.W. A Mathematical Contribution to Structure-Activity Studies // J. Med. Chem. 1964. V. 7. № 4. P. 395-399.
11. Golender V.E., Rozenblit A.B. Logico-structural approach to computer-assisted drug design // Med. Chem. (Academic Press). 1980. V. 11. № 9. P. 299-337.
12. Корольченко А.Я., Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справ. в 2-х ч. 2-е изд., перераб. и доп. М.: Асс. «Пожнаука», 2004. Ч. I. 713 с.
13. Корольченко А.Я., Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справ. в 2-х ч. 2-е изд., перераб. и доп. М.: Асс. «Пожнаука», 2004. Ч. II. 774 с.
