Все выпуски

Тромбоз воротной вены (ТВВ) является значимым осложнением как в претрансплантационном, так и в послеоперационном периоде трансплантации печени. Многофакторная этиология ТВВ, парадоксальное состояние гемостаза при циррозе печени и ограниченная информативность стандартных коагулологических тестов определяют необходимость разработки формализованных моделей для оценки риска тромбообразования.

Цель работы — на основе математической модели системы свертывания крови исследовать влияние гидродинамических условий и уровней факторов коагуляции на возможность формирования тромба в воротной вене.

Воротная вена рассматривается как проточный реактор с быстрым конвективным перемешиванием. Математическая модель основана на детализированной кинетической схеме, включающей уравнения для внешнего пути активации свертывания, петель положительных и отрицательной обратных связей, ингибирования активных факторов. Система обыкновенных дифференциальных уравнений интегрировалась одностадийным методом Розенброка с комплексными коэффициентами.

Показан пороговый характер генерации тромбина в зависимости от скорости кровотока. При превышении критической скорости фаза инициации не переходит в фазу амплификации, что соответствует физиологическим условиям, препятствующим тромбообразованию. Продемонстрировано, что при пониженной концентрации фибриногена (характерной для дисфункции печени) порог скорости, выше которого тромб не формируется, возрастает, что означает повышенную чувствительность системы к стазу. Дефицит протеина C в моделируемых условиях оказывает минимальное влияние на динамику тромбообразования. Результаты моделирования качественно согласуются с клиническими данными по распределению пациентов с ТВВ по уровню фибриногена ($n$ = 932, НИИ им. Склифосовского).

Математическое моделирование позволяет формализовать связь между гемодинамическими и биохимическими факторами риска ТВВ. Пониженный уровень фибриногена идентифицирован как фактор, усиливающий тромботический потенциал при условиях стаза. Полученные результаты открывают перспективы для пациент-ориентированного прогнозирования риска ТВВ у кандидатов на трансплантацию печени.

Эффективность производственного процесса непосредственно зависит от качества управления технологией, которая, в свою очередь, опирается на точность и оперативность обработки контрольно- измерительной информации. Разработка математических методов исследования системных связей и закономерностей функционирования и построение математических моделей с учетом структурных особенностей объекта исследований, а также написание программных продуктов для реализации данных методов являются актуальными задачами. Практика показала, что список параметров, имеющих место при исследовании сложного объекта современного производства, варьируется от нескольких десятков до нескольких сот наименований, причем степень воздействия каждого из факторов в начальный момент не ясна. Приступать к работе по непосредственному определению модели в этих условиях нельзя — объем требуемой информации может оказаться слишком велик, причем бóльшая часть работы по сбору этой информации будет проделана впустую из-за того, что степень влияния на параметры оптимизации большинства факторов из первоначального списка окажется пренебрежимо малой. Поэтому необходимым этапом при определении модели сложного объекта является работа по сокращению размерности факторного пространства. Большинство промышленных производств являются групповыми иерархическими процессами массового и крупносерийного производства, характеризующимися сотнями факторов. (Для примера реализации математических методов и апробации построенных моделей в основу были взяты данные Молдавского металлургического завода.) С целью исследования системных связей и закономерностей функционирования таких сложных объектов обычно выбираются несколько информативных параметров и осуществляется их выборочный контроль. В данной статье описывается последовательность приведения исходных показателей технологического процесса выплавки стали к виду, пригодному для построения математической модели с целью прогнозирования, внедрения новых видов стали и создание основы для разработки системы автоматизированного управления качеством продукции. В процессе преобразования выделяются следующие этапы: сбор и анализ исходных данных, построение таблицы слабокоррелированных параметров, сокращение факторного пространства с помощью корреляционных плеяд и метода весовых коэффициентов. Полученные результаты позволяют оптимизировать процесс построения модели многофакторного процесса.

В данной статье рассматривается метод построения прогнозной нейросетевой модели временного ряда, основанный на определении состава входных переменных, построения обучающей выборки и самого обучения с использованием метода обратного распространения ошибки. Традиционные методы построения прогнозных моделей временного ряда (авторегрессионной модели, модели скользящего среднего или модели авторегрессии – скользящего среднего) позволяют аппроксимировать временной ряд линейной зависимостью текущего значения выходной переменной от некоторого количества ее предыдущих значений. Такое ограничение, как линейность зависимости, приводит к значительным ошибкам при прогнозировании.

Технологии интеллектуального анализа с применением нейросетевого моделирования позволяют аппроксимировать временной ряд нелинейной зависимостью. Причем процесс построения нейросетевой модели (определение состава входных переменных, числа слоев и количества нейронов в слоях, выбор функций активации нейронов, определение оптимальных значений весов связей нейронов) позволяет получить прогнозную модель в виде аналитической нелинейной зависимости.

Одним из ключевых моментов при построении нейросетевых моделей в различных прикладных областях, влияющих на ее адекватность, является определение состава ее входных переменных. Состав входных переменных традиционно выбирается из некоторых физических соображений или методом подбора. Для задачи определения состава входных переменных прогнозной нейросетевой модели временного ряда предлагается использовать особенности поведения автокорреляционной и частной автокорреляционной функций.

В работе предлагается метод определения состава входных переменных нейросетевых моделей для стационарных и нестационарных временных рядов, базирующийся на построении и анализе автокорреляционных функций. На основе предложенного метода разработаны алгоритм и программа в среде программирования Python, определяющая состав входных переменных прогнозной нейросетевой модели — персептрона, а также строящая саму модель. Осуществлена экспериментальная апробация предложенного метода на примере построения прогнозной нейросетевой модели временного ряда, отражающего потребление электроэнергии в разных регионах США, открыто опубликованной компанией PJM Interconnection LLC (PJM) — региональной сетевой организацией в Соединенных Штатах. Данный временной ряд является нестационарным и характеризуется наличием как тренда, так и сезонности. Прогнозирование очередных значений временного ряда на ос- нове предыдущих значений и построенной нейросетевой модели показало высокую точность аппроксимации, что доказывает эффективность предлагаемого метода.