Методическое пособие 807

УДК 004.94

Автоматизированная модель регионального интернет-пользователя

А.В. Поздникина1, М.Н. Степанов2, А.Г. Остапенко3 1Аспирант, каф. СИБ,mnac@comch.ru 2Студент, каф. СИБ, mnac@comch.ru

3Д-р техн. наук, профессор, зав. каф. СИБ, mnac@comch.ru ФГБОУ ВО «Воронежский государственный технический университет»

Рассмотрена автоматизированная модель регионального Интернетпользователя в рамках проекта ВГТУ «Безопасный Интернет». Данная модель позволяет оценить вероятность действий пользователей под влиянием деструктивного контента в социальных сетях.

Ключевые слова: автоматизированная модель, деструктивный контент, социальный опрос.

Необходимость модели регионального интернет-пользователя обусловлена ограниченными возможностями для анализа социальных настроений и прогнозирования деструктивного поведения отдельных слоев населения.

В свою очередь предлагаемая автоматизированная модель позволяет более точечно сконцентрировать имеющиеся ресурсы на наиболее восприимчивыхк влиянию деструктивного контента (ДК) кластерах общества.

Первым шагом для реализации автоматизированного комплекса сталосоздание опросного листа. Вопросы для анкетирования отбирались исходя из анализа различных социальных сетей и делятся на несколько блоков:

-параметры интернет-пользователя: пол, возраст, семейное положение, уровень образования, профессиональный статус и место жительства;

-предпочтения пользователей по просматриваемому контенту;

-какой деструктивный контент волнует пользователя больше всего и в каких социальных сетях он подвержен наибольшему влиянию ДК;

-оценка действий пользователя под влиянием деструктивного контента. Для реализации данного опроса в рамках проекта «Безопасный Интернет»

был создан сайт для прохождения анкетирования (рис. 1). Опрос респондентов производится в сети «Интернет», поэтому все данные передаются в комплекс по защищенному соединению «HTTPS».

Прохождение опроса возможно, как через основной адрес комплекса [1], так и по отдельной ссылке, специально созданной для регистрации заинтересованных лиц, в качестве корреспондентов.

Для построения модели интернет-пользователя комплекс обрабатывает данные, полученные при анкетировании, как собственных респондентов, так и респондентов, которых привлекли все корреспонденты, для построения собственных моделей.

10

Рис. 1. Сайт для прохождения анкетирования

Важное место в реал изации автоматизированной модели занимает специально спроектированная база данных (БД). БД хранит все да нные, полученные после анкетирования привлеченных респондентов (рис. 2).

Р ис. 2. Часть основной таблицы БД

БД состоит из 2 осн овных таблиц и нескольких вспомо ательных. Основная таблица состоит из 26 столбцов, для удобства дальнейше й обработки полученных результатов.

Для построения мод ель регионального интернет-польз ователя на основе БД реализована отдельная страница с визуализацией получе нных результатов. Данные представлены как в числовом виде, так и в виде круговых диаграмм. Здесь есть возможно посм отреть реальную картину полученн ых данных, как в общем виде, так и построи ть отдельные выборки по интересу ющим параметрам пользователей (рис. 3).

11

Рис. 3. Визуализация результатов по одному из вопросов анкеты

Данная модель позволяет определять предпочтения региональных пользователей сети «Интернет» к различного рода контенту и спрогнозировать деструктивные действия, возникающие под влиянием ДК.

Это дает возможность увеличить эффективность защиты регионального интернет-пользователя от информации, которая может оказать на него негативное влияние.

Применение данной модели может способствовать противодействию диффузии ДК [2-4], путем профилактической работы с пользователями, которые в результате анализа определены как потенциально опасные с точки зрения возможных деструктивных действий.

Дальнейший интеллектуальный анализ полученных данных при помощи нейросетевых технологий позволит выявлять различные группы (кластеры) пользователей, которые наиболее подвержены влиянию ДК с целью повышения информационной зашищенности общества[5].

Литература

1.Безопасный Интернет – Модель региональных Интернетпользователей. - 2021. – Электронный ресурс – Режим доступа: https://minml.ru/.

2.Остапенко, А.Г. Эпидемии в телекоммуникационных сетях / А.Г. Остапенко, Н.М Радько, А.О Калашников, О.А. Остапенко, Р.К. Бабаджанов // Теория сетевых войн. – 2018. – № 1. – С. 16 – 20.

3.Остапенко, А.Г. Атакуемые взвешенные сети / А.Г. Остапенко, Д.Г. Плотников, А.О. Калашников, В.Б. Щербаков, Г.А. Остапенко // Теория сетевых войн. – 2018. – № 2. – С. 176.

4.Остапенко, А.Г. Социальные сети и деструктивный контент / А.В. Паринов, А.О. Калашников, В.Б. Щербаков, А.А. Остапенко // Теория сетевых войн. – 2018. – № 3. – С. 54 – 60.

5.Ещенко, А.В. Модель ареала распространения деструктивного контента

всети Facebook для Интернет-пользователей Воронежской области / А.В. Ещенко, Е.А. Шварцкопф, А.Г. Остапенко // Информация и безопасность. - 2018. - №2. – С. 245-260.

12

УДК 661.91

Анализ методики определения технологических потерь сжиженного углеводородного газа на газонаполнительных станциях

А.Р. Макаров1, А.С. Волох2 1Старший преподаватель, am6729382@rambler.ru

2Студент гр. бГГ-172, voloh.a@mail.ru

ФГБОУ ВО «Воронежский государственный технический университет»

Вработе рассмотрен способ определения потерь сжиженного углеводородного газа на участках газонаполнительной станции. На основе предложенной методики определены потери на каждом участке и выполнен сравнительный анализ полученных результатов.

Ключевые слова: технологические процессы, сжиженный углеводородный газ (СУГ), газонаполнительная станция (ГНС), технологические потери.

Внаши дни наблюдается повышенный интерес к СУГ, который пришел на смену жидкому углеводородному топливу. Стоит отметить, что СУГ занимает лидирующие позиции с точки зрения экологии и экономики среди альтернативных видов топлива.

Для визуальной оценки объемов потребления СУГ была составлена диаграмма (рис.1).

Рис. 1. Количество потребляемого сжиженного углеводородного газа в млн т по фактическим и прогнозируемым данным

на 2001 г и 2030 г соответственно

Газонаполнительная станция сжиженного газа (ГНС) – это многофункциональный технологический комплекс, осуществляющий прием, хранение и отпуск сжиженного углеводородного газа к потребителю [1].

Основная функция ГНС – это наполнение баллонов, заправка автомобилей и автоцистерн.

Определим пункты технологических потерь СУГ на объектах ГНС (рис.

2).

13

Обычно поставка СУГ на территорию ГНС осуществляется вагонами - цистернами, для чего оборудуется двухпутный тупик с эстакадой [2].

Рис. 2. Пункты потерь сжиженных углеводородных газов при различных технологических операциях

1. Пункт слива СУГ из железнодорожных цистерн; 2. Сети внутриплощадочных трубопроводов;

3. Площадка подземных резервуаров; 4. Пункт заправки баллонов, автоцистерн и автомобилей.

В ходе выполнения операции слива СУГ выделяют следующие потери

[3]:

1) Потери СУГ при опорожнении резинотканевых рукавов.

Процесс слива осуществляется при помощи двух резинотканевых рукавов. По одному рукаву транспортируется паровая фаза (остатки удаляются через сбросную свечу в атмосферу), а по второму рукаву перекачивается жидкая фаза (полностью перемещается в резервуары).

2) Потери СУГ, образующиеся во время проверки уровня наполнения цистерн при помощи контрольных вентилей.

Входе выполнения операции слива производится разовая проверка наполнения цистерны по первому вентилю (85% уровня объема сосуда). За 20-30 минут до полного опорожнения цистерны периодически открывается третий вентиль. Наличие паровой фазы СУГ в рукаве указывает на окончание процесса слива продукта из железнодорожной цистерны.

На резервуарах базы хранения в процессе эксплуатации ГНС наблюдаются потери СУГ в атмосферу, которые возникают при проверке срабатывания предохранительно сбросных клапанов (ПСК).

Потери при хранении СУГ в технологической системе ГНС [3]:

1)Потери СУГ, образующиеся во время проверки срабатывания ПСК на подземных резервуарах и внутриплощадочных газопроводах.

2) Потери СУГ, возникающие из-за негерметичности фланцевых соединений.

Вкачестве подготовительного этапа перед ремонтными работами или внутреннем осмотре, как правило, продукт из системы сливают в свободные резервуары при помощи насосов, а оставшийся газ через сбросную свечу высвобождается в атмосферу.

14

Потери при диагностике и ремонтных работах технологической системы

ГНС:

1) Технологические потери СУГ при замене и ремонте газопроводной арматуры, а также при внутреннем осмотре, техническом обслуживание и ремонте резервуаров.

2) Потери СУГ, возникающие во время продувки резервуаров, насосов и трубопроводной арматуры после технического осмотра и ремонтных работ, а также перед пуском в эксплуатацию.

Потери при наполнении автоцистерн из резервуаров [3]:

1)Потери СУГ при опорожнении резинотканевых рукавов.

2)Проверка уровня наполнения АЦ при помощи контрольных вентилей. Также наблюдаются потери СУГ в атмосферу по окончанию заправки ав-

томобилей и баллонов. Стоит обратить внимание, что данные технологические потери – это убытки исключительно потребителя, так как количество отпускаемого продукта указано на табло заправочной колонки.

При определении технологических потерь были применены фактические данные о геометрических параметрах и размерах резервуаров, арматуры и трубопроводов, расчетный период один год.

Расчет технологических потерь представим в виде диаграммы - рис. 3.

Рис. 3. Величины технологических потерь СУГ, рассчитанные за 1 год

Литература

1.Макаров А.Р., Аралов Е.С., Волох А.С. Причины аварий на автомобильных газозаправочных станциях. Предупреждение их развития и ликвидация последствий // Градостроительство.Инфраструктура. Коммуникации. – 2021. – №1(22). – С.44-49.

2.Бунчук В.А. Транспорт и хранение нефти, нефтепродуктов и газа / В.А.Бунчук // Москва: «Недра». – 1977. – 366 с.

3.Красногорская Н.Н. Анализ методик оценки технологических потерь сжиженного углеводородного газа на объектах газоснабжения. Ч1/Н.Н. Красногорская // ФГБОУ ВПО УГАТУ. –2013. – №2. –298-321.

15

УДК 004.4

Архитектура системы визуального проектирования искусственного интеллекта на базе теории полезности и дерева поведения

А.К. Донских1, В.Ф. Барабанов2 1Аспирант гр. аСАИ-19, ak_donskikh@mai l.ru

2Д-р техн. наук, профессор, bvf@list.ru

ФГБОУ ВО «Вороне жский государственный технический университет»

Представление сист емы визуального проектирования и скусственного интеллекта на основе машин ы конечных состояний или дерева поведения не вызывает сложностей. Однак о с икусственным интеллектом на основе теории полезности все обстоит несколько сложнее. Как правило, при оп исании ИИ на основе полезности прибегаю т либо к текстовому описанию, л ибо к описанию в форме таблицы. В статье приведена архитектура системы, ис пользующей единый подход к проектирова нию как ИИ на основе дерева повед ения, так и на основе теории полезности.

Ключевые слова: система принятия решений, Utility-b asedAI, дерево поведения, визуальное программирование.

В большинстве систем, которые имеют в своем составе ИИ, должны быть возможности его ди зайна. Системы ИИ могут быть построены на основе различных подходов к их внутренней архитектуре, а также к средствам для их разработки и конфигурации.

По мнению специалистов, наиболее совершенными си стемами являются BehaviourTree (BT) и Utility-based AI. Однако, данные сис темы имеют мало общего.В Utility AI нет информации как о состояниях, так и о переходах между состояниями. Utility AI оперирует количественными оценками полезности этих действий.

Чаще всего описания конкретных моделей Utility-based AI представляют в виде таблицы, состояще й из трех колонок: название действия, оценка и полезность этой оценки (ри с 1). BehaviorTree представляет собой граф с вершинами «выбор» и «действие», на вершинах которого находят ся проверки условий.

Рис. 1. Пример таблицы UtilityAI 16

При этом, не смотря на различные принципы работы ИИ , возможно разработать единое решение по проектированию как BehaviorTree, так и Utility-based AI. Как и в случае с други ми системами, дизайн системы визуального проектирования BehaviourTree буд ет выглядеть достаточно просто - это ориентированный граф. Однако, Utility AI также можно представить в виде ориентированного графа. В вершинах графа располагаются оценки или действия, которые, в свою очередь, соединены с другими оценками, или действиями и рассчитываются по специальным правилам в процессе обхода графа.

По рис. 1 видно, что для Utility AI имеется ряд оценок, действий а также очков. Здесь возможны различные варианты: в некоторых системах можно получить сразу и количество очков за какое-либо действие, ко торые в дальнейшем будут или суммироваться, или умножаться.

Существует множе ство вариантов, как можно спрое ктировать Utility AI. У каждого есть свои п люсы и минусы.

Визуальное проектирование является одним из таких вариантов. Изображение, представленное на рис. 2,б, демонстрирует систему визуального проектирования Utility AI.

Предложенная система состоит из следующих узлов [5]:

DataSource(DS). Исп ользуется, для получения данных из окружения, например позиция врага ил и расстояния до ближайшего укрыт ия. Могут соединяться с другими DataSource, тем самым образуя цепь преобра зований.

Scorer. На входе принимают числа с плавающей точкой и суммируют либо перемножают их. Могутсоединяться с другими Scorer.

Action. Собственно, это само действия, полезность кот орого и рассчитывается. Могут быть разли чные типы действий, все зависит от конкретной задачи. Нaпример: InstantAction-сделал и забыл, SequencerAction, выполняет последовательность действий и т.д.

За проектирование и работу ИИ отвечают две разные си стемы. Собственно, сама система проекти рования, и система для обработки спроектированной системы в реальном времени.

17

Для правильной раб оты систем, контроллер реального времени должен вызывать методы согласно жизненному циклу системы, представленному на рис. 3. Следует упомянуть о том, что все вершины являются ScriptablesObjects, следовательно для получе ния информации о текущем состоянии внешнего мира необходимо передавать ко нтекст из контроллера во все методы нод. В нем содержатся ссылки на ActorController и DataStoreObject. Data StoreObject может хранить какие-либо промежуточные вычисления, или кеши рованные данные, необходимые для передач и информации между методами.

Рис. 3. Жизненный цикл для нод ИИ

Существует множество точек расширения для предложенной системы. Примером может послужи ть использование взвешенного случайного значения, благодаря чему система не всегда будет выбирать наилучши й вариант, тем самым сделав поведение N PC более непредсказуемым. А благодаря общей базе средств проектирования BehaviorTree и Utility AI их можн о объединять, используя преимущества каж дой из систем.

Заключение Таким образом, пре дложенная система проектирования ИИ объединяет в

себе преимущества как BehaviorTree, так и Utility-based AI. Решение предлагает дизайнеру интерфейс, кот орый позволяет ему легко и просто проектировать ИИ; программист же имеет возможность расширения суще ствующих компонент без дополнительных затрат на разработку нового решения.

Литература

1.SteveRabin.Game AI Pro 3 / Steve Rabin, David “Rez” Graham // A K Peters/CRC Press. – 2017. – С. 113-126.

2.I. Millington and J. Funge, Artificial Intelligence for Ga mes. London: CRC Press, 2016, pp. 37-38. [Online]. Available: http://gameaibook.org/book.pdf#page=59

18

3.K. Dill and L. Martin. A game AI approach to autonomous control of virtual characters. In Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC), 2011.

4.B. Alexander. The beauty of response curves. AI GameProgrammingWisdom, 2002.

5.А.К. Донских. Цифровое управление искусственным интеллектом с использованием дерева поведения для расчета эвристик и проектирования стратегий utilityai/А.К. Донских, В.Ф. Барабанов: Инженерные системы и сооружения. 2020.№ 1 (38). c. 78-82.

19