SYSTEM EKSPERTOWY JAKO NARZĘDZIE WSPOMAGANIA PODEJMOWANIA DECYZJI

DECYZJI W DOBORZE ADSORBENTU

Selekcja odpowiedniego adsorbentu do wychwytu CO2 ze strumienia spalin pochodzących z energetyki

oraz z innych sektorów przemysłowych odbywa się poprzez badanie takich jego właściwości, jak: pojemność sorpcyjna, termiczna stabilność (cykliczność), zdolność regeneracji, uzyskiwany poziom desorpcji, wpływ innych zanieczyszczeń znajdujących się w strumieniu spalin. Nie bez znaczenia pozostaje także kwestia kosztów, które charakteryzują ekonomikę pracy całej instalacji. Z uwagi na mnogość parametrów, decyzja o najkorzystniejszym adsorbencie jest utrudniona. W tym celu w ramach

niniejszej rozprawy został opracowany system ekspertowy ułatwiający wybór adsorbentu CO2 –

„SEDACO2”. Jego zadaniem jest podejmowanie decyzji w kwestii doboru najodpowiedniejszego sorbentu do wychwytu ditlenku węgla. Odbywa się to na drodze komunikacji użytkownika z bazą wiedzy systemu SEDACO2 poprzez szereg zaprojektowanych reguł i metod wnioskowania.

Sam system ekspertowy (SE) definiuje się jako interaktywny system komputerowy, który nie tylko rozwiązuje postawiony problem, ale przedstawia logiczną ścieżkę dojścia do tego rozwiązania wraz ze specyfikacją merytorycznej wiedzy dziedzinowej niezbędnej w tym procesie.

takich jak programowanie liniowe i nieliniowe, metody teorii grafów i sieci czy teoria gier. Istnieje wiele definicji SE, które pochodzą ze źródeł zarówno krajowych jak i zagranicznych. Niektóre porównują SE do systemu informatycznego, co nie jest do końca trafne. Poniżej przedstawiono różnice i podobieństwa między tymi dwoma systemami (Ficoń, 2013):

•SE jest konstruowany w celu rozwiązywania ściśle określonych problemów badawczych - nie jest

uniwersalną maszyną do wszelkich zadań.

•SE stara się rozwiązać oryginalny problem, a nie szablonowe zadanie.

•SE korzysta ze skomplikowanej bazy wiedzy, a nie ze zwykłych danych alfanumerycznych.

•Zakodowana wiedza przechowywana jest w bazie, która nie podlega klasycznej kompilacji podczas

uruchamiania systemu.

•SE posługuje się symboliczną reprezentacją wiedzy przy użyciu reguł, sieci semantycznych czy ram.

•SE wyciągają często wnioski z niepełnej wiedzy, która jest sukcesywnie wzbogacana jako rezultat

autonomicznych mechanizmów samouczenia.

•SE na żądanie może szczegółowo wyjaśnić cały mechanizm wnioskowania - co zwiększa jego

wiarygodność. Warunkiem pracy jest możliwość (niekiedy konieczność) współpracy użytkownika z ekspertami.

•SE do rozwiązania problemu dochodzi w następujących po sobie etapach, każdy z nich jest

szczegółowo wyjaśniany.

Należy zatem podkreślić, iż sposób, w jaki SE dochodzi do konkluzji oraz cała logiczna ścieżka jego pracy jest dokładnie tak samo ważna, jak końcowe rozwiązanie problemu. Podsumowując, w konwencjonalnym przetwarzaniu danych ekspert staje się analitykiem systemów; odpowiednikiem SE jest system informatyczny, baza wiedzy to baza danych, a reprezentacja i użycie wiedzy przekształca się na reprezentację i użycie danych. W SE opieramy się na heurystykach, podczas gdy w systemach informatycznych występują algorytmy. Wszelkie działania opierają się na efektywnych kombinacjach na dużych bazach danych, a w przypadku SE są to działania na dużych bazach wiedzy (Mulawka, 1996). Sposób budowania systemów ekspertowych opiera się na wykorzystaniu wiedzy eksperckiej w celu podjęcia konkretnego działania. W tym celu należy pozyskać i zgromadzić odpowiednią wiedzę, nadać jej właściwą strukturę oraz symbolicznie przetworzyć. Kolejno trzeba zaprojektować reguły i mechanizmy wnioskowania, które będą zapewniać komunikację między użytkownikiem systemu, a bazą wiedzy. Istotnym jest zadbanie o precyzję w konstruowaniu interfejsu użytkownika, co pozwoli na swobodną współpracę z komputerem.

Dedykowaną bazę wiedzy można zatem wypełnić dowolną tematyką. W związku z powyższym, w ramach niniejszej rozprawy stworzono system ekspercki w oparciu o wyniki własne oraz wsparto się na pracy badawczej prowadzonej na świecie w celu przeprowadzenia walidacji danych założonego mechanizmu wnioskowania. Powyższe działania miały na celu ułatwienie porównywania wyników badań uzyskanych w skali laboratoryjnej i półtechnicznej (lub technicznej).

Jednym z narzędzi projektowych SE są systemy szkieletowe. Jeden z nich, ExsSys, został użyty w tej pracy. Systemy szkieletowe (Expert Systems Shells) są szczególnymi formami SE, ponieważ dysponują zaawansowanym modułem wnioskującym i pustą bazą wiedzy. Są one wyposażone w specjalne edytory tekstowe, dzięki którym można na bieżąco dopisywać reguły. Zadaniem reguł jest pomoc przy rozwiązaniu problemu. Systemy szkieletowe prezentują najwyższy poziom wśród narzędzi AI. Ich stosowanie umożliwia stworzenie własnej bazy wiedzy, a dodatkowa zmiana interfejsu komunikacyjnego wpływa na stworzenie oryginalnego SE. Dość poważnym mankamentem jest koszt, gdyż licencja na korzystanie z profesjonalnego systemu szkieletowego charakteryzuje się wysoką ceną. Zasada działania projektu SEDACO2 w użytkowanym systemie Exsys opiera się na następującej metodzie pozyskiwania wiedzy – filarem są cztery reguły: THEN i ELSE (warunek i konkluzja), NOTE (pojawia się komentarz) oraz REFERENCES (wszelkie odwołania użytkownika). Algorytmy wnioskowania są następujące: w przód, w tył, bez powrotów, bez ostatniego kroku. Exsys charakteryzuje się zawartym w swej strukturze mechanizmem weryfikacji reguł. Baza wiedzy może być

systematycznie rozbudowywana, co jest niewątpliwym plusem systemu z uwagi na rozwój technologii wychwytu ditlenku węgla. Wszelkie modyfikacje bazy wiedzy odbywają się bez naruszania modułu wnioskowania.

Systemy ekspertowe stosowane są w różnych dziedzinach. Pierwsze opracowane programy stosowano do analizy związków chemicznych – identyfikacji struktur molekularnych na podstawie analizy spektroskopowej, co stanowiło podstawę do odkrycia wielu wcześniej nieznanych struktur chemicznych. Prace nad nimi prowadzono w obszarze medycyny. Ich głównym zadaniem było diagnozowanie i terapia zakaźnych chorób krwi. Wykorzystywano je także do budowy nowoczesnych aplikacji do szkolenia lekarzy i personelu medycznego, do budowania systemów diagnostyki medycznej i diagnozowania chorób wewnętrznych. Obecnie SE są powszechnie stosowane w medycynie i służbie zdrowia, w dużym stopniu stymulując ich rozwój. Innym obszarem ich zastosowań np. w geologii są procesy określania właściwości skał na podstawie zawartości różnych minerałów. Kolejne programy służyły do analiz teoretycznych i nowych eksperymentów poznawczych – szczegółowym badaniom poddawano znane prawa fizyczne i chemiczne. Systemy wykorzystywane są także w celu prowadzenia analiz lingwistycznych mowy i tekstów. Innym kierunkiem jest projektowanie i budowa inteligentnych konfiguracji różnych systemów sieciowych na potrzeby wojska czy nauki; stosuje się je też w komercyjnych aplikacjach biznesowych.

2.6.1. Konstrukcja systemu ekspertowego

Ogólna postać SE opiera się na następujących parametrach: baza wiedzy wraz z bazą danych (są one zależne bezpośrednio od zastosowań systemu ekspertowego) oraz mechanizm wnioskowania, sterowania i interfejs użytkownika (te elementy mogą być w dużym stopniu niezależne od zakresu zastosowań). Na rysunku 2.4. przedstawiono modelową strukturę SE (Ficoń, 2013).

Rys. 2.4. Schemat funkcjonowania systemu ekspertowego

Zadaniem bazy wiedzy jest przechowywanie faktów i reguł zebranych podczas dialogu z ekspertem dziedziny w pamięci nieulotnej i udostępnianie tej wiedzy użytkownikom.

Baza danych z kolei przechowuje wartości zmiennych używanych podczas pracy SE. Zmienne te dotyczą przebiegu wnioskowania, kolejnych kroków wnioskowania, użytych faktów i reguł. Do tych zmiennych wlicza się także zmienne pomocnicze.

Moduł wnioskujący decyduje, jakiej wiedzy użyć i w jaki sposób uzyskać odpowiedzi na postawione pytania. Z tego powodu jest to najważniejszy, obok bazy wiedzy, element SE.

Mechanizm wyjaśniający/objaśniający/sterujący służy do formułowania odpowiedzi na pytania użytkownika tzn. wyjaśnia, dlaczego SE zadał takie a nie inne pytania.

Interfejs użytkownika to z kolei przyjazny dialogowy program człowiek – maszyna lub maszyna – maszyna, który pozwala na bezpośrednią komunikację pomiędzy SE, a zewnętrznym środowiskiem zarówno osobowym, jak i bezosobowym.

(rys. 2.5). Szczegółowy opis działania systemu SEDACO2 przedstawiono w rozdziale 10. SEDACO2 – OPIS SYSTEMU EKSPERTOWEGO.

Rys. 2.5. Schemat struktury systemu ekspertowego SEDACO2

Prace nad systemem SEDACO2 wykonywane były w następującej kolejności:

Etap 1.: precyzyjne zdefiniowane zagadnienia będącego motywem przewodnim kreowanego SE (ważna

rola inżyniera wiedzy): zgromadzenie wiedzy z zakresu adsorpcji i adsorbentów CO2;

Etap 2.: dobór reguł i modelu wnioskowania oraz sposobu, w jaki będzie reprezentowana baza wiedzy; Etap 3.: opracowanie bazy wiedzy oraz zbioru reguł w formacie „drzewa”, który umożliwił podjęcie pionierskiej pracy przez SE;

Etap 4.: fazy testowe + dopracowywanie.

Wyższość tego narzędzia nad innymi metodami analizy adsorbentów przejawia się niewątpliwie w każdej odpowiedzi, jaką uzyskuje użytkownik w sytuacji wątpliwej lub niepewnej, gdyż system zawsze podaje stopień wiarygodności oraz dodatkowe, alternatywne sposoby dokonania wyboru adsorbentu. W tabeli 2.8. zestawiono zalety i wady stosowania SE (opracowanie własne na podstawie:

Mulawka, 1996, Ficoń, 2013, oraz stron WWW 12,13).

Tabela 2.8. Zalety i wady systemów ekspertowych

Zalety Wady

Możliwość dokładnego udokumentowania procesu wnioskowania

Konieczna precyzyjność we wprowadzaniu całej wiedzy posiadanej przez eksperta

Działanie oparte na stałym lub zwiększanym poziomem specjalistycznej wiedzy

Brak intuicji, jaka występuje u człowieka w trakcie rozwiązywania problemu Stały dostęp do niezbędnej bazy wiedzy

(niczego nie zapomina ani nie pomija)

Nie ma idealnego modelu reprezentacji wiedzy w bazie wiedzy

SE działa w sposób logiczny, obiektywny i konsekwentny

Całkowita zależność SE od swojego operatora, który jest jedynym źródłem, z jakiego SE pozyskuje nową wiedzę

Brak błędów obliczeniowych

Użyteczność SE opiera się tylko i wyłącznie na odpowiednim interfejsie do komunikacji z użytkownikiem 12 https://prezi.com/ttcnyrbow_t3/systemy-ekspertowe/ 13 https://prezi.com/732uuihy4oxe/systemy-ekspertowe/

SE nie przeoczy ważnych wydarzeń

Trudno przewidzieć, jakie mogą być skutki dodania nowej wiedzy – weryfikacja bazy wiedzy jest trudnym zadaniem

SE nie ulega zewnętrznym wpływom ^{Wiedza przetwarzana jest w sposób}

mechaniczny Bezpośredni i stały dostęp dla każdego

użytkownika ^{Wnioskowanie w warunkach niepewności}

Magazyn wiedzy pochodzącej od ludzkich ekspertów

Szczególnie przydatne do rozwiązywania złożonych problemów

Prezentowanie odpowiedzi w zrozumiały sposób Jednolity sposób reprezentacji wiedzy

Baza wiedzy – łatwa do przeniesienia i dokumentacji

Inteligentne interfejsy użytkownika

Baza wiedzy jako komercyjny produkt know-how

W niektórych źródłach podaje się, iż wadą SE jest wąski zakres oraz wymaganie wprowadzania wiedzy (Mulawka, 1996; Ficoń, 2013). W przypadku zaprojektowanego systemu SEDACO2 wąski zakres nie

został uznany za wadę – zagadnienie adsorpcji rozpatrywane w przypadku wychwytu CO2 ze strumienia

spalin należy szczegółowo rozpatrywać i zawężenie zakresu przyczynia się do wnikliwej analizy studium przypadku. Wymaganie wprowadzania wiedzy natomiast jest dodatkowym testem sprawdzającym poprawność i efektywność wprowadzanych faktów – co także ciężko uznać za wadę. Wydaje się jednak, iż takie działania sprawdzają się w przypadku małych SE (liczba reguł: 100 – 200). Dla tworzenia specjalistycznej bazy wiedzy dla średnich SE (liczba reguł: 500 – 1000) czy też dużych SE (liczba reguł: 2000 – 10 000) komputerowe wspomaganie procesu pozyskiwania wiedzy jest konieczne. W tym celu stosuje się szereg dostępnych języków i programów komputerowych.

Charakter intensyfikacji SE wyznaczają systemy ekspertowe drugiej generacji, gdzie analiza wnioskująca jest oparta na dynamicznie budowanych regułach. Nowoczesne SE powinny nie tylko błyskawicznie aplikować wiedzę ekspertów, ale też samoistnie wzbogacać bazę wiedzy poprzez nieustanne uczenie i ciągłe rozszerzanie zbiorów danych. Dalszy rozwój uzależniony jest od zasadniczych czynników, takich jak interaktywne języki programowania „miękkich problemów” sztucznej inteligencji czy też od specjalistycznych technologii inżynierii wiedzy wspomagających narzędziowo sztukę tworzenia systemów ekspertowych.