Разработка методов управления траловым комплексом с применением предсказательного моделирования на нейронной сети

В статье рассмотрена проблема автоматизации управления траловым ловом с целью повышения его эффективности и уменьшения энергетических и экономических затрат при вылове с использованием технологий искусственного интеллекта и предсказательного моделирования на нейронной сети. Поставлены задачи долгосрочного, среднесрочного и краткосрочного прогнозирования по заданным критериям с использованием архивных данных с промысла и текущих выборок эхолокации. Приведены структура системы, методы наполнения централизованной и локальных баз данных статистики уловов, обучения искусственной нейронной сети, систематизации результатов предсказания, расчета и автоматической генерации входных параметров, конфигурирования. Определены входные параметры нейронной сети, задаваемые пользователем (коды района промысла, трала, объекта лова, его размеры, время года, среднесуточные температура воды и воздуха, скорость ветра, сила волнения в момент предполагаемого лова, тип судна); расчетные значения, вычисляемые по математической модели траловой системы (раскрытие трала, глубина траления) и пользовательским критериям (код места промысла, время суток, скорость траления); выходные характеристики (величина улова, расход топлива, финансовые затраты); критерии отбора и группировки выходной информации. Представлены выборки архивных сведений об уловах. Обосновано применение математической модели для связи силовых и геометрических характеристик трала. Предложены области применения полученных результатов – это проектирование, производство, эксплуатация натурных траловых систем и разработка программно-аппаратных комплексов виртуальной и дополненной реальности. Автоматизация позволит определять оптимальные места промысла с учетом энергетических и экономических затрат, собирать статистику уловов, ускорить, уточнить и упростить ее анализ, генерировать аналитические отчеты.

1. Недоступ А. А., Ражев А. О. Применение нейронной сети для управления траловым промыслом // Вестник Астраханского государственного технического университета. Серия: Рыбное хозяйство. Астрахань: ФГБОУ ВО "АГТУ". 2021. № 1. С. 31–37.

2. Кузнецов М. Ю., Кузнецов Ю. А. Гидроакустические методы и средства оценки запасов рыб и их промысла. Часть 2. Методы и средства промысловой биогидроакустики // Известия ТИНРО. 2016. № 184 (1). С. 264–294.

3. Электронный атлас типовых акустических изображений промысловых видов рыб дальневосточных морей России / М. Ю. Кузнецов, И. А. Убарчук, В. И. Поляничко, В. И. Шевцов, Е. В. Сыроваткин // Известия ТИНРО. 2018. № 193. С. 57–67.

4. Математическое моделирование поведенческих характеристик стаи рыб при облове разноглубинным тралом / А. А. Недоступ, Б. А. Альтшуль, А. О. Ражев, С. В. Дятченко, О. М. Бедарева, А. А. Багрова // Морские интеллектуальные технологии. 2019. № 4 (46). Т. 4. С. 181–185.

5. Система автоматизированного проектирования орудий промышленного рыболовства на примере трала: пат. 2021619269 Рос. Федерация. № 2021618323 / Ражев А. О., Недоступ А. А., Львова Е. Е.; заявл. 01.06.21; опубл. 07.06.21. Реестр программ для ЭВМ. 1 с.

6. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. V. 61. P. 85–117.

7. Рыбное хозяйство: обзор. информ. Комплексные сравнительные испытания промысловых тралов в районе ЦВА / под ред. Э. А. Карпенко. Вып. ДСП-1. М.: ЦНИИТЭИРХ, 1987. 114 с.

8. Николаев В. В. Совершенствование математической модели процесса лова рыбы разноглубинным тралом: дис. … канд. техн. наук: утв. 05.18.17. Калининград, 2004. 189 с.