В научной статье исследуется возможность применения моделей машинного обучения для анализа и оптимизации работы многослойной криогенной системы. В работе анализируется применение гелия в различных областях, от критически важных медицинских применений до фундаментальных научных исследований, где он выступает в качестве охлаждающего агента для достижения экстремально низких температур. Особое внимание уделяется необходимости минимизации потерь гелия при его транспортировке и хранении, что обеспечивается использованием специализированных криогенных контейнеров с вакуумной изоляцией. В статье анализируются физические процессы, лежащие в основе работы криогенных систем, включая проблемы теплопередачи и поведение криогенных жидкостей при низких температурах. Особое внимание уделяется выбору материалов для криогенных систем и освещается процесс охлаждения гелия до криогенных температур, включая его сжатие, охлаждение и адиабатическое расширение. Анализируется возможность использования моделей линейной регрессии и решающих деревьев в задачах прогнозирования критических параметров системы, таких как уровень и давление жидкого гелия. Рассмотрены аспекты интерпретируемости моделей для обеспечения прозрачности и обоснованности управленческих решений в криогенной инженерии. В статье анализируются ключевые факторы, влияющие на точность моделей, включая качество и обработку данных. Предложены направления для будущих исследований, включая разработку ансамблевых методов и методов уменьшения размерности данных.
В научной статье исследуется эффективность использования модели градиентного бустинга для прогнозирования управленческих решений в многослойных криогенных системах с использованием датасета из 730 наблюдений. Вводятся дополнительные нелинейные признаки, такие как квадратный корень из произведения уровней и давлений газов (He и N2) и уровень азота равный нулю, что позволило улучшить качество моделирования за счет более корректного учёта взаимодействий переменных. Модель градиентного бустинга показала высокую производительность, что подтверждается значением F1-меры 0,925, указывающей на эффективное сочетание точности и полноты предсказаний модели. Анализ матрицы ошибок показал надежную способность модели определять состояния, не требующие вмешательства, при минимальном допущении ошибок второго типа, что критически важно для поддержания стабильности системы. В работе была проведена оценка значимости признаков с использованием значений SHAP, которая подтвердила, что уровни и давления газов являются основными драйверами предсказаний модели. Доказывается эффективность использования градиентного бустинга для прогнозирования управленческих решений в криогенных системах. В перспективе дальнейших исследований возможно применение других моделей машинного обучения, таких как нейронные сети или ансамбли алгоритмов, на текущем объеме данных для сравнения и возможного улучшения результатов. Также целесообразно рассмотреть возможность расширения датасета, что позволит строить более сложные модели и обеспечить более точные и надёжные прогнозы.