Статьи

Приведены результаты изучения пищевой ценности апельсинового сока промышленного производства торговых марок «Rich», «Santal», «Я» для уточнения и дополнения литературных сведений и выявления наиболее конкурентоспособной продукции. По уровням моно- и дисахаридов все пробы сока соответствовали справочным данным, но содержание лимонной кислоты превышало верхний уровень диапазона сравнения с максимальным отклонением в большую сторону (на 28,7 %) в соке «Я». Янтарная кислота присутствовала в продукции «Я» и «Rich» (больше в 1,6 раза). Уровень витамина С был характерен в напитках «Rich» и «Я». Общее содержание полифенолов и нарингина было выше в соке «Я»: в первом случае в 2,2 раза по отношению к напитку «Santal», на 15,9 % - по отношению к «Rich»; во втором - в 2,1 раза и на 7,1 % соответственно. Уровень гесперидина был выше в напитке «Rich» - на 10,7 % по отношению к соку «Я», на 31,7 % - по отношению к «Santal». Антиоксидантная активность у всех образцов сока была в пределах 23,5…25,7 %. Впервые получены результаты по содержанию Al, B, Ba, Na, Ni, Sb, Sn, Si, Sr, Te, Zn в апельсиновом соке промышленного производства. Элементы B, Ba, Cu, К, Mg, Mn, Ni, P, Zn в соке «Rich» и «Я» находились в одном количественном интервале. Напиток «Rich» выделялся относительно высоким содержанием Ca, Se, Si, Sr, «Я» - уровнями Al и Fe, «Santal» - количеством Na. Однако в соке «Santal» содержание Mn было на 40 % ниже нижней границы диапазона сравнения, а количество Se превысило верхнюю границу наряду с «Rich» на 23 % и 53 % соответственно. Таким образом, за соком «Rich» и «Я» установлено конкурентное преимущество.

Исследуются возможности сверточных нейронных сетей в задаче распознавания дефектов гранул ионообменных сорбентов ядерного класса: трещин, сколов. Показано, что использование предобученной нейронной сети позволяет обучить полносвязный классификатор даже для случая критически малого набора обучения. Демонстрируется эффективность обучения нейронной сети при малой обучающей выборке для распознавания дефектов. Предложен вариант объяснения эффективности обучения при малом обучающем наборе данных. Приводятся вероятности, с которыми сеть классифицирует тот или иной дефект, а также указываются предсказательные вероятности, ниже которых результат работы сети можно считать сомнительным. Рассматриваются перспективы использования сверточных нейронных сетей в задаче бинарной классификации дефектов гранул ионообменных сорбентов