Нанотехнологии и наноматериалы 22 Наука и Science & Technique техника, № 5, 2012 УДК 681.785:004.932:004.89:004.3 ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ СТРУКТУРЫ И СВОЙСТВ НАНОМАТЕРИАЛОВ Докт. техн. наук, проф., лауреат Государственной премии КОЛЕШКО В. М.1), магистр техн. наук ВОРОБЕЙ Е. А.1), канд. техн. наук ПРУДНИКОВА Е. Л.2) 1) Белорусский национальный технический университет, 2) Белорусский государственный университет информатики и радиоэлектроники Развитие современной микронанотехноло- гии связано с решением различных задач, среди которых важное место занимает разработка вы- сокоэффективных недорогих сенсорных и вы- сокочувствительных микронаносистем широ- кого спектра назначения для контроля качества и прогнозирования свойств микронаноматериа- лов с целью обеспечения управляемого техпро- цесса их изготовления. Для этих целей обычно проводится моделирование в сложных про- граммных продуктах или используются доро- гостоящие технологии для изучения структуры наноматериалов, таких как, например, просве- чивающая электронная микроскопия (ПЭМ), растровая электронная микроскопия (РЭМ) или сканирующая зондовая микроскопия (СЗМ). Важными недостатками данных методов явля- ются невозможность их использования в реаль- ном времени, непортативность и обязательное наличие высококвалифицированного и обучен- ного персонала. Интеллектуальные системы находят в этой связи все более широкое приме- нение как для анализа данных измерений, сен- сорного контроля, так и для обобщения резуль- татов научных исследований и создания новых аппаратно-программных систем с разумом [1]. Методика исследования. Разработанный авторами статьи «электронный глаз» (е-глаз) «ИСОН-4» в виде аппаратно-программной сен- сорной системы с интеллектуальным програм- мным обеспечением «ИСНМ» предназначен для исследования сенсорных свойств наномате- риалов. Микросветодиоды испускают электро- магнитные волны в широкополосном диапазоне 380–2400 нм, которые улавливаются микрофо- тодиодами для регистрации количественного изменения отраженного излучения. Оптические методы отличаются неинвазивностью и удобст- вом практического применения. Для исследования были использованы мас- сивы трех типов многостенных вертикально ориентированных плотно упакованных масси- вов углеродных нанотрубок (УНТ), получен- ных высокотемпературным пиролизом п-кси- лола (С8Н10) в смеси с летучим источни- ком катализатора роста ферроценом (Fe(C5H5)2) с концентрацией ферроцена сx в реакцион- ной смеси для каждого из типов нанотрубок 1; 5 и 10 % соответственно. На рис. 1 показаны результаты ПЭМ c помощью JEM 100-CХ JEOL, которые позволяют оценить размерные и структурные характеристики УНТ, выявить в них магнитные наночастицы железосодер- жащих фаз [2]. Сущность исследования заклю- чалась в прогнозировании результатов ПЭМ с помощью разработанной интеллектуальной системы «ИСНМ» и е-глаза. a б в Рис. 1. ПЭМ УНТ в массивах на Si–SiO2 подложке: а – УНТ типа 1; б – то же типа 2; в – то же типа 3 Результаты исследований. Разработанная авторами интеллектуальная система «ИСНМ» способна осуществлять прогнозирование ин- формационных образов новых неизвестных Нанотехнологии и наноматериалы 23 Наука Science & Technique техника, № 5, 2012 и ей типов УНТ или других материалов по по- ступающим входным данным после самообу- чения на известных ей данных других типов с целью обнаружения самостоятельных классов информационных образов, которые в дальней- шем могут быть добавлены в целевую функцию при классификации. Для формирования инфор- мационных образов был использован анализ главных компонент для извлечения полезной информации из входных сенсорных данных коэффициентов отражения [3]. Для построения интеллектуальной системы «ИСНМ» на этапе обучения и прогнозирования была исполь- зована разработанная многокомпонентная ги- персферная интеллектуальная нейронная сеть (МГИНС), включающая сенсорный блок и тех- нонейроны, состоящие из смесителя, сумматора и преобразователя, с целью оптимизации про- изводительности обучения. Сущность МГИНС заключается в поиске глобального максимума точности распознавания информационных об- разов УНТ в многомерном пространстве по- средством разделяющих гиперсфер с много- компонентными весовыми коэффициентами. Для оценки качества функционирования «ИСНМ» было проведено многоядерное обуче- ние с помощью МГИНС (рис. 2) на данных УНТ типов 1 и 3 (табл. 1) для прогнозирования свойств УНТ типа 2 (табл. 2). При этом струк- тура МГИНС, представленная на рис. 2, имеет соответствующее пояснение в табл. 3. Рис. 2. Нейронная сеть для прогнозирования образов УНТ типа 2 Таблица 1 Результаты обучения МГИНС при правильном прогнозировании информационных образов УНТ Интеллектуальная система Точность обучения, % Время обу- чения, с (2 ядра) УНТ типа 1 / УНТ типа 2 МГИНС 100 (среднеквадратическая ошибка 1,35 ∙ 10–17) 2,54 Таблица 2 Результаты точности распознавания МГИНС информационных образов УНТ типа 2 Интеллектуальная система Точность отнесения ин- формационных образов УНТ типа 2, % Время обу- чения, с (2 ядра) к УНТ типа 1, P21 к УНТ типа 3, P23 МГИНС 81,623 91,812 0,007 Таблица 3 Структура нейронной сети для прогнозирования МГИНС образов УНТ типа 2 Свойство структуры Значение Число слоев нейронной сети 2 Число скрытых слоев 1 Размерность входных данных A 100×3 Весовые коэффициенты w1 [10,9346, –1,3616, –1,1696] Элемент задержки b1 –0,5733 Весовые коэффициенты w2 1 Элемент задержки b2 1,8938 ∙ 10–9 Преобразователи F1, F2 –1 + 2/(1 + e–2n) Выходные значения Y [–1 1] Если предположить, что УНТ типа 2 не от- носятся ни к типу 1, ни к типу 3, то они могут быть выделены в отдельный класс, который будет содержать вероятностную информацию (P21 и P23) о принадлежности их к известным «ИСНМ» типам 1 и 3. Тогда уравнение прог- ноза количественной величины F2 характерного свойства для УНТ типа 2 может быть записано в следующем виде: F2 = (0,81623F1 + 0,91812F3)/2, (1) где F1 и F3 – известные количественные вели- чины свойства для УНТ типов 1 и 3. В табл. 4 и 5 представлены результаты про- гнозирования основных физических свойств УНТ исследуемых образцов. Проведя аналогичные расчеты для диа- метров УНТ типов 1 и 3 в диапазоне 0–0,08 мкм с шагом 0,01 мкм, по формуле (1) в итоге полу- чим наиболее точно прогнозируемые парамет- ры УНТ типа 2 по их количеству и доле по мас- се (рис. 3, 4). В табл. 6 приведены результа- ты ошибки прогнозирования количества УНТ и их доли по массе. Результаты отражают воз- можность прогнозирования количества УНТ Нанотехнологии и наноматериалы 24 Наука и Science & Technique техника, № 5, 2012 диаметрами 0,02–0,03 мкм с минимальной ошибкой 11,6398 %, а доли по массе УНТ диа- метрами 0,01–0,02 мкм – 4,7893 %. Таблица 4 Прогнозирование свойств УНТ типа 2 Свойство УНТ Известные значения для типов УНТ по результатам проведения ПЭМ и РЭМ Прогнозируе- мые «ИСНМ» значения для УНТ типа 2 УНТ типа 1 УНТ типа 2 УНТ типа 3 Концентрация ферроцена, % 1 5 10 4,9987 Максимальное значение диамет- ра УНТ, мкм 0,0418 0,0516 0,0754 0,0516 Сумма всех зна- чений диаметров УНТ, мкм 2,6980 2,9880 3,9960 2,9350 Средний диаметр УНТ, мкм 0,0180 0,0231 0,0344 0,0231 Количество УНТ в образце, шт. 150 150 116 126 Таблица 5 Ошибка прогнозирования свойств УНТ типа 2 Свойство УНТ Ошибка прогноза, % Концентрация ферроцена, % 0,026 Максимальное значение диа- метра УНТ, мкм 0,140 Сумма всех значений диаметров УНТ, мкм 1,760 Средний диаметр УНТ, мкм 16,270 Количество УНТ в образце, шт. 15,500 Следует отметить, что для остальных диа- метров УНТ до 0,01 мкм и 0,04–0,08 мкм ошибки прогнозирования были довольно высо- кими. Наиболее хорошо прогнозируемыми яв- ляются УНТ диаметрами 0,02–0,03 мкм. Авторами были проведены исследования по построению уравнений регрессии распределе- ния количества УНТ и их доли по массе в зави- симости от диаметров (рис. 5, 6). N2А = – 0,1042n6 + 2,9189n5 – 32,436n4 + 182,02n3 – 540,87n2 + 792,32n – 400,75 Рис. 3. Экспериментальные значения диаметров УНТ от диапазонов изменения их диаметров G2А = – 0,0998n6 + 2,7359n5 – 29,493n4 + 158,98n3 – 449,94n2 + 629,29n – 310,01; R2 = 0,9943 Рис. 4. Экспериментальные зависимости доли УНТ по массе от диапазонов изменения их диаметров (обозначения – на рис. 3) К ол ич ес тв о на но тр уб ок N , ш т. Нанотехнологии и наноматериалы 25 Наука Science & Technique техника, № 5, 2012 и Таблица 6 Прогнозируемое количество УНТ типа 2 по диаметру Диапазон размеров УНТ, мкм Прогнозируемые результаты для УНТ типа 2 Ошибка в прогнози- ровании количества УНТ, % Ошибка в прогнози- ровании доли по массе УНТ, % 0,01–0,02 42,1208 4,7893 0,02–0,03 11,6398 12,9343 0,03–0,04 31,8508 25,7539 < 0,01, 0,04–0,08 45,9050 – Были получены уравнения аппроксимации количества УНТ типов 1 и 3 (N1, N3) от их диа- метров в виде: N1 = 0,57821n5 – 14,2748n4 + 132,4417n3 – – 564,0784n2 + 1051,4603n – 597; N3 = –0,29038n5 + 6,9863n4 – 61,5044n3 + + 237,5603n2 – 375,8253n + 193,5, а доли УНТ (G1, G3) по массе соответственно: G1 = – 0,085535n6 + 2,6022n5 – 31,7337n4 + + 196,7206n3 – 642,8054n2 + 1010,8026n – – 532,4987; G3 = 0,054964n7 – 1,8441n6 + 25,1305n5 – – 178,0488n4 + 697,1435n3 – 1483,2921n2 + + 1572,9361n – 632,08. Оптимальные регрессионные функции N1(d), N3(d) и G1(d), G3(d) были отобраны по миниму- му ошибки распознавания диаметров УНТ и их доли по массе. Тогда функции распределения N2(d) и G2(d) для УНТ типа 2 могут быть запи- саны в следующем виде (рис. 7): N2 = (0,81623N1 + 0,91812N3)/2 = = (0,81623∙(0,57821n5 – 14,2748n4 + + 132,4417n3 – 564,0784n2 + 1051,4603n – 597) + + 0,91812∙(–0,29038n5 + 6,9863n4 – 61,5044n3 + + 237,5603n2 – 375,8253n + 193,5)) / 2 = = 0,10267n5 – 2,6186n4 + 25,8173n3 – – 121,1544n2 + 256,5903n – 154,8165; G2 = (0,81623G1 + 0,91812G3)/2 = = (0,81623∙(–0,085535n6 + 2,6022n5 – 31,7337n4 + + 196,7206n3 – 642,8054n2 + 1010,8026n – – 532,4987) + 0,91812∙(0,054964n7 – 1,8441n6 + + 25,1305n5 – 178,0488n4 + 697,1435n 3 – – 1483,2921n 2 + 1572,9361n – 632,08))/2 = = 0,0252327 – 0,88145n6 + 12,5984n5 – – 94,6861n4 + 400,3153n3 – 943,2586n2 + + 1134,5958n – 507,4834. а N1 = 0,57821n5 – 14,2748n4 + 132,4417n3 – 564,0784n2 + 1051,4603n – 597 Рис. 5. Регрессия распределения количества УНТ от их диаметров: а – УНТ типа 1; б – УНТ типа 3 N3 = –0,29038n5 + 6,9863n4 – 61,5044n3 + 237,5603n2 – 375,8253n + 193,5 исходное измерение верхний порог 3 сигма (σ = 36,2639) функция регрессии σ = 19,4643 К ол ич ес тв о У Н Т N 1, ш т. К ол ич ес тв о У Н Т N 3, ш т. Нанотехнологии и наноматериалы 26 Наука и Science & Technique техника, № 5, 2012 Рис. 6. Регрессия распределения доли по массе УНТ от диапазонов изменения их диаметров: а – УНТ типа 1; б – УНТ типа 3 (обозначения – на рис. 5) Рис. 7. Функция прогнозирования для УНТ типа 2: а – количества УНТ от их диаметров; б – доли по массе УНТ от их диаметров G3 = 0,054964n7 – 1,8441n6 + 25,1305d5 – 178,0488n4 + + 697,1435n3 – 1483,2921n2 + 1572,9361n – 632,08 σ = 16,2363 G1 = – 0,085535n6 + 2,6022d5 – 31,7337n4 + 196,7206n3 – – 642,8054n2 + 1010,8026n – 532,4987 Д ол я У Н Т п о м ас се G 1, ш т. а б а б К ол ич ес тв о У Н Т N 2, ш т. Д ол я У Н Т п о м ас се G 2, % N2 = 0,10267n5 – 2,6186n4 + 25,8173n3 – – 121,1544n2 + 256,5903n – 154,8165 Экспериментальные данные G2 = 0,025232n7 – 0,88145n6 – 12,5984n5 – 94,6861n4 + + 400,3153n3 – 943,2586n2 + 1134,5958n – 507,4834 Функция регрессии (прогнозируемые данные) σ = 21,6377 Д ол я У Н Т п о м ас се G 3, ш т. Экспериментальные данные Функция регрессии (прогнозируемые данные) Нанотехнологии и наноматериалы 27 Наука Science & Technique техника, № 5, 2012 и Ошибки прогнозирования информационных образов УНТ представлены в табл. 7. Коли- чество УНТ и их доля по массе могут быть осо- бенно точно распознаны, если их диаметры со- ставляют 0,01–0,02, 0,02–0,04, 0,05–0,08 мкм. Поскольку диаметр УНТ увеличивается с рос- том концентрации ферроцена, то разрабо- танная авторами интеллектуальная система «ИСНМ» вполне способна контролировать кон- центрацию ферроцена, высоту, диаметр и коли- чество УНТ в процессе их синтеза. Таблица 7 Ошибка прогнозирования количества УНТ и доли их по массе с использованием функции регрессии Диаметр УНТ, мкм УНТ типа 2 Ошибка прогнозирования количества УНТ, % Ошибка прогнозирования доли по массе УНТ, % 0–0,01 – – 0,01–0,02 46,5740 17,4530 0,02–0,03 11,1998 24,4801 0,03–0,04 0,7406 8,9148 0,04–0,05 – – 0,05–0,06 13,2890 – 0,06–0,07 0 5,6966 0,07–0,08 8,1401 18,369 В Ы В О Д Ы Таким образом, становится возможным бы- стро и с применением недорогого, но «ум- ного» оборудования успешно контролировать техпроцесс производства наноматериалов и сен- сорных устройств, обладающих определен- ными требуемыми физическими характеристи- ками, например магнитно-функционализиро- ванными свойствами углеродных нанотрубок. Преимуществами использования «электронного глаза» для анализа наноструктуры является возможность недорогого и быстрого анализа ее топологии, сенсорных свойств, улучшенное управление одно- и двустадийным процесса- ми синтеза УНТ с тонкими и толстыми стен- ками. Интеллектуальное управление временем син- теза массивов углеродных нанотрубок, напри- мер инжекционным CVD-методом, позволяет получить прочные наноструктуры, вовремя об- наружить разрушения УНТ при длительном синтезе. Это осуществляется за счет прогнози- рования «ИСОН-4» внешнего и внутреннего диаметров углеродных нанотрубок и расстоя- ний между ними, которые при увеличении при- водят к ветвлению и повышению количества частиц сферической формы. Кроме того, про- гнозируя концентрацию летучего источника катализатора ферроцена в реакционной смеси, возможно управлять магнитно-функционали- зированными свойствам УНТ, в частности кон- центрацией нанокомпозита (с) и железосо- держащими фазами наполнителя углеродных нанотрубок, например цементитом Fe3C, удель- ной намагниченностью массивов трубок при определенной температуре. С увеличением кон- центрации ферроцена информационный образ УНТ отличается низкой дисперсией и высо- ким коэффициентом отражения, что свидетель- ствует о повышенном содержании в ней напол- нителя Fe3C и сильных магнитных свойствах трубок. Л И Т Е Р А Т У Р А 1. Колешко, В. М. Мобильные телефоны, смартфоны и старение организма / В. М. Колешко, Е. А. Воробей, Н. А. Хмурович; БНТУ. – Минск: Техническая литература, 2011. – 326 с. [Электронный ресурс]. – Режим доступа: http://narod.ru/disk/60891222001.1a194c215d368816ac32782 33cf250d9/monograph.pdf.html 2. Cинтез и свойства магнитно-функционализирован- ных углеродных нанотрубок / А. С. Басаев [и др.] // Рос- сийские нанотехнологии. – 2008. – Т. 3, № 3–4. – С. 115–121. 3. Intelligent Systems in Technology of Precision Agri- culture and Biosafety / V. M. Koleshko [et al.] // Intelligent Systems Edited by Vladimir M. Koleshko. – InTech, March, 2012. – P. 1–36 [Electronic resource]. – Mode of access: http://www.intechopen.com/books/intelligent-systems/ Поступила 15.05.2012