Kapitola #10: Cuba mapping kinetická analýza (testy)

Mapování se nyní již dostalo do OriTasu a ještě než začne vznikat návod, jak ho používat, tak se podíváme na první testy – zda to vůbec funguje. Pro zpětné upřesnění zde uvádím verzi OriTasu – 3.9.0.36 3.9.0.37. Prozatím je možné určitp „pouze“ aktivační energii a lnA, parametr n přidám až později – nyní ho není možné určit v OriTasu, metoda jako taková to umožňuje a při testech v Excelu vše funguje jak má. Když jsme u Excelu, hned při prvních testech jsem s všiml, že výpočty potřebné k nalezení hodnoty aktivační energie dokáží využít každé desetinné místo, v OriTasu je tedy vše počítáno na 24 míst (od verze 3.9.0.37 je to 16 míst), je to sice pomalejší, ale v tomto případě je to nutnost. V následujících testech uvedu srovnání výsledků s ostatními metodami, které v OriTasu jsou.

Mapování prohledává poměrně velkou oblast výsledků, v posledním testu se podíváme i na případ, že se správný výsledek nebude nacházet v oblasti, kde budeme hledat. U každého testu bude uvedeno nastavení metody (oblast + parametry), jen pro upřesnění – tato část programu je stále v ranné fázi testů, výsledky proto nemusí být vždy správné! U genetických algoritmů není uzamčená aktivační energie, což může vést především u simulovaných dat k nalezení chybného výsledku – důvod bude brzy popsán v příslušném článku (Proč (ne)fungují genetické algoritmy)  tady na webu, zde pouze uvádím, že se nejedná o chybu programu nebo metody, ale o vlastnost. Řešením je právě uzamčení jednoho parametru, typicky aktivační energie.

Aktualizace: Doplněny testy Genetických algoritmů se zamknutou aktivační energií na +/-5kJ od Kissingera a přidány i nástřely parametru n z mapování, tyto hodnoty berte jako opravdu první čísla.

Výsledky z mapování jsou počítány jako průměr hodnot, v případě, že se hodnotách vyskytlo několik bodů mimo, došlo k jejich odstanění a uvádím i výsledek bez nich (+ informaci o podílu hodnot z celkového počtu).

Test 1: Simulace, JMA(1), Ea=100kJ, lnA 20

Prohledávaná oblast: Ea = 50-250kJ, lnA 10-30, n 0,5-2,5, Rgate 0,5, map_step 200, map_R 1 (celkem prohledáno 80000 řešení = 1% z 8 milionů (200x200x200 možností)).

Výsledky

KA: Kissinger 101,1kJ, Ozawa 103,7kJ, Friedman 100kJ+/-0kJ, z(a) 0,636, y(a) 0, parametr 1.
CKA: Ea = 100,071kJ, lnA 20,02, n = 1,0235.
GA: Ea = 95,0666kJ, lnA 18,3237, n = 1,1651 (zde se projevil problém s nekonečným množstvím správných výsledků).
GA (Ea lock): Ea = 104,0196kJ, lnA 21,1542, n = 0,9643.
SFA: body ukazující na model RO(0,9), blízko JMA.
CM: Ea = 96,8293kJ, lnA 19,1999, po úpravě Ea = 99,5556kJ, lnA 19,8877, odebrány 3 body z 28 celkových. Odhad n = 1,01.

Pro genetické algoritmy bylo použito následující nastavení: Ea = 50-250kJ, lnA 10-30, n = 0,8-2,5, populace 1000, generace 10. Uvádím jako výsledek průměrného jedince po uvedeném počtu generací.

Test 2: Reálná data

Prohledávaná oblast: Ea = 150-350kJ, lnA 30-50, n 0,5-2,5, Rgate 0,5, map_step 200, map_R 1.

Výsledky

KA: Kissinger 256,3kJ, Ozawa 253,2kJ, Friedman 250,4kJ+/-4,5kJ, z(a) 0,467, y(a) 0,273, parametr 1,47.
CKA: Ea = 239,918kJ, lnA 43,00, n = 1,6452.
GA: Ea = 246,3302kJ, lnA 43,3519, n = 1,9194.
GA (Ea lock): Ea = 253,4716kJ, lnA 45,0787, n = 2,2658.
SFA: bez použitelného výsledku (body v oblasti RO(1,4-2,5).
CM: Ea = 254,885kJ, lnA 45,6988, po úpravě Ea = 260,976kJ, lnA 46,912, odebrány 3 body z 28 celkových. Odhad n = 2,1.

Pro genetické algoritmy bylo použito následující nastavení: Ea = 50-350kJ, lnA 10-50, n = 0,8-2,5, populace 1000, generace 10. Uvádím jako výsledek průměrného jedince po uvedeném počtu generací.

Test 3: Reálná data (Se70Te30)

Prohledávaná oblast: Ea = 50-250kJ, lnA 30-50, n 0,5-2,5, Rgate 0,5, map_step 200, map_R 1.

Výsledky

KA: Kissinger 151kJ, Ozawa 149,6kJ, Friedman 149,9kJ+/-2,4kJ, z(a) 0,716, y(a) 0,049, parametr 1,05.
CKA: Ea = 145,573kJ, lnA 41,024, n = 1,2384.
GA: Ea = 129,1504kJ, lnA 35,7227, n = 1,2727.
GA (Ea lock): Ea = 150,482kJ, lnA 42,3585, n = 1,08.
SFA: oblast mezi RO(0,8) a R3/D3.
CM: Ea = 152,9633kJ, lnA 43,3746. Odhad n = 1,20.

Pro genetické algoritmy bylo použito následující nastavení: Ea = 50-250kJ, lnA 10-50, n = 0,8-2,5, populace 1000, generace 10. Uvádím jako výsledek průměrného jedince po uvedeném počtu generací.

Test 4: Simulace, oblast neobsahuje hledané hodnoty

Prohledávaná oblast: Ea = 120-320kJ, lnA 10-30, n 0,5-2,5, Rgate 0,5, map_step 200, map_R 1.

Výsledky ostatních metod naleznete u testu 1.

CM: Ea = 78,8436kJ, lnA 14,7763, po úpravě Ea = 100,691kJ, lnA 20,2589, odebráno 12 bodů z 28 celkových.

Zde provedu ještě další kontrolu v programu, výsledky by měly být i bez opravy přesnější.

Přesunout se na začátek