Skip to content
TheChatArchiveThe Chat Archive
Qwenqwen-max-2025-01-25· Alibaba (Qwen)Hugging Face LMArena Human Preference 140K

Необходимо создать нейросеть для предсказания неравномерности энерговыделения по ячейкам…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Claudeclaude-3-7-sonnet-20250219’s answer.
  1. User

    Необходимо создать нейросеть для предсказания неравномерности энерговыделения по ячейкам активной зоны реактора. В качестве исходных данных принимается массив данных, где каждая строка состоит из 78 значений выгорания топлива в ячейках с ТВС, 10 значений загрузки экспериментальных ячеек, одного значения положения органов регулирования и 78 значений - нормированных на среднее значение коэффициентов неравномерности энерговыделения по ячейке , который нужно будет определить. Приведи полный код программы, который определяет архитектуру нейросети, обучает её и реализует функционал для ввода новых данных.

  2. Qwen Assistant

    Для решения задачи предсказания нормированных коэффициентов неравномерности энерговыделения по ячейкам активной зоны реактора, я предоставлю полный код программы на Python с использованием библиотеки TensorFlow/Keras. Программа будет включать:

    1. Подготовку данных: Нормализация входных данных и разделение их на обучающую и тестовую выборки.
    2. Создание модели: Построение нейросети с использованием полносвязных слоев (MLP).
    3. Обучение модели: Обучение нейросети на подготовленных данных.
    4. Сохранение модели: Сохранение обученной модели для последующего использования.
    5. Функционал предсказания: Реализация ввода новых данных и предсказания нормированных коэффициентов неравномерности.

    Основные шаги:

    • Входные данные: 78 значений выгорания топлива, 10 значений загрузки экспериментальных ячеек, 1 значение положения органов регулирования.
    • Выходные данные: 78 нормированных коэффициентов неравномерности энерговыделения.

    Полный код программы:

    import numpy as np
    import pandas as pd
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    import tensorflow as tf
    from tensorflow.keras.models import Sequential
    from tensorflow.keras.layers import Dense
    import matplotlib.pyplot as plt
    import os
    
    # 1. Генерация синтетических данных (замените на загрузку реальных данных)
    def generate_synthetic_data(n_samples=1000):
        np.random.seed(42)
        # Входные данные: 78 (выгорание) + 10 (загрузка) + 1 (положение) = 89 признаков
        X = np.random.rand(n_samples, 89) * 100  # Примерные значения в диапазоне [0, 100]
        # Выходные данные: 78 нормированных коэффициентов неравномерности
        y = np.random.rand(n_samples, 78) * 2  # Примерные значения в диапазоне [0, 2]
        return X, y
    
    # 2. Загрузка реальных данных (раскомментируйте и замените путь к файлу)
    # def load_real_data(file_path):
    #     data = pd.read_csv(file_path, header=None)
    #     X = data.iloc[:, :89].values  # Первые 89 столбцов - входные данные
    #     y = data.iloc[:, 89:].values  # Последние 78 столбцов - целевые данные
    #     return X, y
    
    # 3. Подготовка данных
    def prepare_data(X, y):
        # Нормализация входных данных
        scaler_X = StandardScaler()
        X_scaled = scaler_X.fit_transform(X)
        
        # Разделение на обучающую и тестовую выборки
        X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)
        
        return X_train, X_test, y_train, y_test, scaler_X
    
    # 4. Создание модели нейросети
    def create_model(input_dim, output_dim):
        model = Sequential([
            Dense(256, activation='relu', input_dim=input_dim),
            Dense(128, activation='relu'),
            Dense(64, activation='relu'),
            Dense(output_dim)  # Выходной слой без активации, так как предсказываем непрерывные значения
        ])
        
        model.compile(optimizer='adam', loss='mse', metrics=['mae'])
        return model
    
    # 5. Обучение модели
    def train_model(model, X_train, y_train, X_test, y_test, epochs=100, batch_size=32):
        history = model.fit(X_train, y_train, validation_data=(X_test, y_test),
                            epochs=epochs, batch_size=batch_size, verbose=1)
        return history
    
    # 6. Визуализация результатов обучения
    def plot_training_history(history):
        plt.figure(figsize=(12, 4))
        
        # График функции потерь
        plt.subplot(1, 2, 1)
        plt.plot(history.history['loss'], label='Train Loss')
        plt.plot(history.history['val_loss'], label='Validation Loss')
        plt.title('Loss over Epochs')
        plt.xlabel('Epoch')
        plt.ylabel('Loss')
        plt.legend()
        
        # График метрики (MAE)
        plt.subplot(1, 2, 2)
        plt.plot(history.history['mae'], label='Train MAE')
        plt.plot(history.history['val_mae'], label='Validation MAE')
        plt.title('MAE over Epochs')
        plt.xlabel('Epoch')
        plt.ylabel('MAE')
        plt.legend()
        
        plt.tight_layout()
        plt.show()
    
    # 7. Сохранение модели и скейлера
    def save_model_and_scaler(model, scaler, model_path='reactor_model.h5', scaler_path='scaler.pkl'):
        model.save(model_path)
        import pickle
        with open(scaler_path, 'wb') as f:
            pickle.dump(scaler, f)
    
    # 8. Загрузка модели и скейлера
    def load_model_and_scaler(model_path='reactor_model.h5', scaler_path='scaler.pkl'):
        from tensorflow.keras.models import load_model
        import pickle
        model = load_model(model_path)
        with open(scaler_path, 'rb') as f:
            scaler = pickle.load(f)
        return model, scaler
    
    # 9. Функция для предсказания на новых данных
    def predict_new_data(model, scaler, new_data):
        # Нормализация новых данных
        new_data_scaled = scaler.transform(new_data)
        # Предсказание
        predictions = model.predict(new_data_scaled)
        return predictions
    
    # 10. Интерактивный ввод новых данных
    def interactive_prediction():
        print("\n=== Интерактивный ввод новых данных ===")
        model, scaler = load_model_and_scaler()
        
        while True:
            try:
                print("\nВведите 89 значений (78 выгораний, 10 загрузок, 1 положение), разделенных пробелами:")
                input_str = input(">> ")
                if input_str.lower() == 'exit':
                    break
                
                new_data = np.array([float(x) for x in input_str.split()]).reshape(1, -1)
                if new_data.shape[1] != 89:
                    print("Ошибка: Введите ровно 89 значений!")
                    continue
                
                predictions = predict_new_data(model, scaler, new_data)
                print("Предсказанные нормированные коэффициенты неравномерности:\n", predictions[0])
            
            except ValueError:
                print("Ошибка: Введите корректные числовые значения!")
            except Exception as e:
                print(f"Произошла ошибка: {e}")
    
    # 11. Основная функция
    def main():
        # Генерация синтетических данных (замените на load_real_data для реальных данных)
        X, y = generate_synthetic_data(n_samples=1000)
        
        # Подготовка данных
        X_train, X_test, y_train, y_test, scaler = prepare_data(X, y)
        
        # Создание модели
        model = create_model(input_dim=89, output_dim=78)
        
        # Обучение модели
        history = train_model(model, X_train, y_train, X_test, y_test, epochs=50, batch_size=32)
        
        # Визуализация результатов обучения
        plot_training_history(history)
        
        # Сохранение модели и скейлера
        save_model_and_scaler(model, scaler)
        
        # Оценка модели на тестовых данных
        test_loss, test_mae = model.evaluate(X_test, y_test, verbose=0)
        print(f"\nТестовая потеря (MSE): {test_loss:.4f}")
        print(f"Тестовая средняя абсолютная ошибка (MAE): {test_mae:.4f}")
        
        # Интерактивный режим предсказания
        interactive_prediction()
    
    if __name__ == "__main__":
        main()
    

    Объяснение кода:

    1. Генерация данных:

      • Функция generate_synthetic_data создает синтетические данные для примера. В реальной задаче замените её на load_real_data, чтобы загрузить данные из CSV-файла.
    2. Подготовка данных:

      • Данные нормализуются с помощью StandardScaler, чтобы улучшить обучение нейросети.
      • Данные разделяются на обучающую (80%) и тестовую (20%) выборки.
    3. Архитектура нейросети:

      • Используется полносвязная нейросеть (MLP) с тремя скрытыми слоями (256, 128, 64 нейрона) и функцией активации ReLU.
      • Выходной слой имеет 78 нейронов (по числу предсказываемых коэффициентов) без функции активации, так как задача регрессии.
    4. Обучение:

      • Модель обучается с использованием оптимизатора Adam и функции потерь MSE (среднеквадратичная ошибка).
      • Метрика MAE (средняя абсолютная ошибка) используется для оценки качества.
    5. Визуализация:

      • Графики функции потерь и MAE помогают оценить качество обучения.
    6. Сохранение и загрузка:

      • Модель и скейлер сохраняются в файлы для повторного использования.
    7. Предсказание:

      • Функция predict_new_data позволяет предсказывать коэффициенты неравномерности на новых данных.
      • Интерактивный режим (interactive_prediction) позволяет вводить данные вручную.

    Как использовать код:

    1. Для реальных данных:

      • Замените функцию generate_synthetic_data на load_real_data, указав путь к вашему CSV-файлу.
      • Убедитесь, что данные в файле имеют правильный формат (167 столбцов: 89 входных и 78 выходных).
    2. Запуск программы:

      • Запустите код. После обучения модели вы увидите графики и результаты оценки на тестовых данных.
      • Затем программа перейдет в интерактивный режим, где вы можете вводить новые данные для предсказания.
    3. Пример ввода новых данных:

      • В интерактивном режиме введите 89 значений, разделенных пробелами, например:
        >> 10.5 20.3 15.7 ... (всего 89 значений)
        
      • Для выхода из интерактивного режима введите exit.

    Замечания:

    • Если данные имеют сложную нелинейную зависимость, возможно, потребуется усложнить архитектуру нейросети (например, добавить сверточные слои, если данные имеют пространственную структуру).
    • Для улучшения качества модели можно экспериментировать с гиперпараметрами (количество слоев, нейронов, эпох, размер батча) и использовать регуляризацию (Dropout, L2).
    • Убедитесь, что данные чистые и не содержат пропусков или аномалий.

    Этот код предоставляет базовый функционал, который можно доработать под конкретные требования задачи.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.