All issues

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.

Portal vein thrombosis (PVT) is a significant complication during both the pre-transplant and postoperative periods of liver transplantation. The multifactorial etiology of PVT, the paradoxical hemostatic state in liver cirrhosis and the limited usefulness of standard coagulation tests highlight the necessity of formalized models to assess thrombosis risk.

Objective: Using a mathematical model of the blood coagulation system, investigate the influence of hemodynamic conditions and coagulation factor levels on the likelihood of thrombus formation in the portal vein.

The portal vein is modelled as a flow-through reactor with rapid convective mixing. The mathematical model is based on Panteleev et al. (2010) detailed kinetic scheme, incorporating equations for the extrinsic pathway of coagulation activation, positive and negative feedback loops, and inhibition of active factors. The resulting system of ordinary differential equations was integrated using a one-stage Rosenbrock method with complex coefficients.

Thrombin generation was shown to exhibit threshold dependence on blood flow velocity. Above a critical velocity, the initiation phase does not transition to the amplification phase. This corresponds to physiological conditions that prevent thrombus formation. We demonstrated that, at reduced fibrinogen concentrations characteristic of hepatic dysfunction, the critical velocity threshold above which thrombus formation is suppressed increases. This indicates the system’s heightened susceptibility to stasis. Protein C deficiency had minimal effect on thrombogenesis dynamics under the modeled conditions. The modeling results qualitatively agree with clinical data on fibrinogen distribution in PVT patients ($n$ = 932, Sklifosovsky Research Institute).

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.

Efficiency of production directly depends on quality of the management of technology which, in turn, relies on the accuracy and efficiency of the processing of control and measuring information. Development of the mathematical methods of research of the system communications and regularities of functioning and creation of the mathematical models taking into account structural features of object of researches, and also writing of the software products for realization of these methods are an actual task. Practice has shown that the list of parameters that take place in the study of complex object of modern production, ranging from a few dozen to several hundred names, and the degree of influence of each factor in the initial time is not clear. Before working for the direct determination of the model in these circumstances, it is impossible — the amount of the required information may be too great, and most of the work on the collection of this information will be done in vain due to the fact that the degree of influence on the optimization of most factors of the original list would be negligible. Therefore, a necessary step in determining a model of a complex object is to work to reduce the dimension of the factor space. Most industrial plants are hierarchical group processes and mass volume production, characterized by hundreds of factors. (For an example of realization of the mathematical methods and the approbation of the constructed models data of the Moldavian steel works were taken in a basis.) To investigate the systemic linkages and patterns of functioning of such complex objects are usually chosen several informative parameters, and carried out their sampling. In this article the sequence of coercion of the initial indices of the technological process of the smelting of steel to the look suitable for creation of a mathematical model for the purpose of prediction is described. The implementations of new types became also creation of a basis for development of the system of automated management of quality of the production. In the course of weak correlation the following stages are selected: collection and the analysis of the basic data, creation of the table the correlated of the parameters, abbreviation of factor space by means of the correlative pleiads and a method of weight factors. The received results allow to optimize process of creation of the model of multiple-factor process.

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.

This article studies a method of constructing a predictive neural network model of a time series based on determining the composition of input variables, constructing a training sample and training itself using the back propagation method. Traditional methods of constructing predictive models of the time series are: the autoregressive model, the moving average model or the autoregressive model — the moving average allows us to approximate the time series by a linear dependence of the current value of the output variable on a number of its previous values. Such a limitation as linearity of dependence leads to significant errors in forecasting.

Mining Technologies using neural network modeling make it possible to approximate the time series by a nonlinear dependence. Moreover, the process of constructing of a neural network model (determining the composition of input variables, the number of layers and the number of neurons in the layers, choosing the activation functions of neurons, determining the optimal values of the neuron link weights) allows us to obtain a predictive model in the form of an analytical nonlinear dependence.

The determination of the composition of input variables of neural network models is one of the key points in the construction of neural network models in various application areas that affect its adequacy. The composition of the input variables is traditionally selected from some physical considerations or by the selection method. In this work it is proposed to use the behavior of the autocorrelation and private autocorrelation functions for the task of determining the composition of the input variables of the predictive neural network model of the time series.

In this work is proposed a method for determining the composition of input variables of neural network models for stationary and non-stationary time series, based on the construction and analysis of autocorrelation functions. Based on the proposed method in the Python programming environment are developed an algorithm and a program, determining the composition of the input variables of the predictive neural network model — the perceptron, as well as building the model itself. The proposed method was experimentally tested using the example of constructing a predictive neural network model of a time series that reflects energy consumption in different regions of the United States, openly published by PJM Interconnection LLC (PJM) — a regional network organization in the United States. This time series is non-stationary and is characterized by the presence of both a trend and seasonality. Prediction of the next values of the time series based on previous values and the constructed neural network model showed high approximation accuracy, which proves the effectiveness of the proposed method.