РАЗРАБОТКА ГИБРИДНЫХ ФУНКЦИОНАЛЬНЫХ МАТЕРИАЛОВ НА ОСНОВЕ НИКЕЛЯ

Одной из важнейших проблем использования водорода в энергетике и в системах питания является его безопасное хранение и возможность использования при относительно малых затратах энергии. Разрабатываемый нами способ гидридного хранения отвечает всем этим требованиям, поэтому актуальность выбранной тематики несомненна. Химическое соединение водорода в форме металлических гидридов представляет привлекательную альтернативу традиционным способам хранения (криогенный и балонный), которые небезопасны и энергоемки.

Научная новизна нашего проекта заключается в том, что мы впервые проводили исследования возможности электрохимических систем к поглощению водорода по двум направлениям:

1.Формирование структуры металла и сплава с определенной степенью дефектности осуществлено электрохимическим методом с использованием в качестве нанообразующих добавок - бора. Показана возможность получения электрохимическим способом системы Ni-B-H, в которой, варьируя содержанием бора, можно увеличить содержание включаемого водорода. Получены электрохимическим методом системы NiхBуHz, где y = 0…0,5 и имеющие порядка 3 % вес. водорода. Это без допирования их изотопом водорода дейтерием.

2.Дополнительное введение изотопа водорода дейтерия в металлическую никелевую матрицу методом ионной имплантации. Синтезирована электрохимическая система, например, Ni-In

композиты с фазовым составом - Ni70In30 со структурой, способной удерживать допированный водород. Впервые рассмотрена возможность дополнительного введения изотопа водорода дейтерия

вэлектрохимическую систему с последующей термодесорбцией водорода. Получены образцы с содержанием водорода порядка 8-10 % вес [1, 2].

Подбирали состав электролита по данным исследования структуры формируемого покрытия. Структура анализировалась на сканирующем зондовом микроскопе Solver P47. Рентгеноструктурные исследования образцов проводили на дифрактометре HZG-4 в CuKα-излучении (β-фильтр). Содержание компонентов в системе Ni-In определялось рентгено-флюоресцентным методом.

На основании проведенных исследований подобран состав электролита с оптимальным содержанием сульфата индия Jn2(SO4)3 в электролите, который позволяет получать более мелкокристаллические и равнозернистые Ni-In композиты с фазовым составом - Ni70In30. При использовании концентрации In2(SO4)3 в электролите 4 г/л получились образцы со стехиометрией Ni70In30. Увеличение концентрации индия в композитах (более 30 мас. % In) сопровождается появлением и ростом интенсивности дополнительных линий на дифрактограммах. Это связано с образованием интерметаллидов Ni3In и In2Ni о возможности образования, которых свидетельствует фазовая диаграмма системы Ni-In. Далее в электрохимический композит методом ионной имплантации вводили изотоп водорода – дейтерий. Внедрение дейтерия в образцы производилось имплантацией ионов дейтерия энергии 12 кэВ дозами в пределах 3×1017–3×1018 ат.D/см2. Впервые возможность дополнительного введения водорода в электрохимическую систему рассмотрена в этом проекте. Как видно из рис. 1., структура спектра ТДС дейтерия является функцией имплантационной дозы. При низких дозах имплантированного дейтерия в спектре присутствует один пик с температурой максимума ~530 К. Повышение дозы приводит к появлению нового низкотемпературного пика с температурой максимума

~420 К.

Рис. 1. Спектры термодесорбции дейтерия, имплантированного в образцы композита Ni70In30:

(1) - 3×1017 D/cм2; (2) – 7.5×1017 D/cм2;

(3)– 1.3×1018 D/cм2; (4) - 2×1018 D/cм2;

(5)- 3×1018 D/cм2

Рост концентрации дейтерия приводит к образованию как твердого раствора дейтерия в композите Ni70In30 температура распада которого в вакууме ~530 К, так и гидрида температура распада которого ~350 К. При насыщении композита состава 45.6 мас. % In дейтерием с помощью ионной имплантации предельно достижимая концентрация дейтерия 2 ат.D/ат.Мет. Увеличение концентрации индия приводит к росту количества удерживаемого дейтерия в композите. В настоящее время получено порядка 8-10 % вес.

Рассмотрено влияние структуры на окклюдирующую способность металла. Эта способность оценивается с возможностью изменения дефектности структуры металла. Для гипотетического металла при переходе от чистого монокристалла к аморфной структуре увеличивается степень дефектности структуры и повышается вероятность к поглощению водорода (рис. 2, кр. 1). Закономерность изменения способности окклюзии водорода для электрохимической системы Ni-B-H отражена на рис. 3 (кр. 2). При введении от 2 до 10 ат. % бора в никель происходит переход от кристаллической структуры (до 5 ат. %) к неявно выраженной кристаллической структуре (6-9 ат. %) с переходом к аморфной, что сопровождается увеличением экстрагируемого водорода из образца, определяемое методом вакуумной экстракции. В отличие от чистого никеля особенностью формирования систем никель-бор является то, что скорость возникновения зародышей превалирует над скоростью их роста, и это свидетельствует о возможности формирования структур с наибольшим числом дефектов в единицу объема металла за счет наличия в них структурных и примесных ловушек.

Таким образом, повышение концентрации бора в системе Ni-B вызывает увеличение содержания водорода, по сравнению с никелем.

Рис. 2. Закономерность изменения способности окклюзии водорода для электрохимических систем (металлов и сплавов): 1 - гипотетический металл, 2 - электрохимическая система (Ni-B-H)

Разработанные системы позволяют в широком интервале температур регулировать величину энергетических затрат на экстракцию водорода и обеспечивают экстракцию водорода при малых энергетических затратах и различных скоростях экстракции для дальнейшего его использования по назначению. Основой нашего проекта является ме-

таллогидридное хранение, основными достоинствами которого являются: высокая объемная плотность водорода, приемлемый интервал рабочих давлений и температур, постоянство давления при гидрировании и дегидрировании, возможность регулирования давления и скорости выделения водорода, высокая чистота выделяемого водорода, компактность и безопасность в работе

Получены экспериментальные образцы и разработаны технологии получения образцов – электрохимические системы, с высокой способностью к аккумулированию водорода и последующим его хранением в виде гидридов металлов.

Рис. 3. Пример внешнего вида аккумулятора. Размеры образца, насыщенного водородом, электрохимическим методом

Характеристика опытных образцов: Площадь 0,24 дм2 , толщина слоя электрохимической системы никель-индий-водород 8 мкм (10-6 м) в этом образце порядка 8-10 % вес. водорода, в образце системы никель-бор-водород толщиной слоя 8 мкм и той же площади порядка 3 % вес. Температура экстракции водорода от 150 до 450 оС. Геометрическая форма – лента.

Возможны различные варианты комбинаций элементов по химическому составу, что расширит спектр используемых материалов для хранения водорода. Кроме этого возможны различные геометрические формы образцов: лента, стержень, шар.

Необходимо дальше исследовать такие водородоаккумулирующие свойства сплавов: закономерности поглощения, накопления и термоактивированного выделения водорода, термодинамические параметры (температурные диапазоны удержания, энергия активации термодесорбции, порядок реакции) в зависимости от природы и концентрации нанообразующей добавки в синтезированных материалах. Полученные результаты исследований внесут важный вклад в понимание процессов структурообразования наноматериалов, позволят сформировать стратегию получения новых многофункциональных наноматериалов. Второе направление исследований – введение дополнительного количества водорода в электрохимическую систему методом ионной имплантации открывает новые возможности и перспективы развития альтернативных источников энергии.

Литература

1. Zvyagintseva A.V., Shalimov Yu.N. On the Stability of Defects in the Structure of Electrochemical Coatings. Surface Engineering and Applied Electrochemistry, 2014.- Vol. 50. -No. 6. - PP. 466–477.

114

Сбор соответствующей информации, связанной с клиентами, из различных каналов – недостаточное условие для понимания сути поведения клиентов. Для этого необходимо особым образом проанализировать полученные данные.

Под клиентской аналитикой можно понимать применение передовых аналитических методов к информации о клиентах компании для выявления, привлечения и удержания лучших и самых выгодных заказчиков. Это понятие объединяет в себе людей, процессы, данные и технологии, необходимые для анализа информации о клиентах для того, чтобы понять клиента лучше. Организация может использовать эти аналитические результаты для прогнозирования и оценки поведения клиентов.

Технология анализа клиентских сред (АКС) — это набор процедур обработки данных, содержащий процедуры от исходного протокола действий клиентов до решения большого набора различных задач маркетинга и управления взаимоотношениями с клиентами

(CustomerRelationshipManagement, CRM). К числу этих задач относятся:

−выявление, интерпретация типов клиентского поведения;

−сегментация базы клиентов;

−выявление целевых групп клиентов;

−структуризация ассортимента в соответствии с объективными предпочтениями клиентов;

−персонализация предложений;

−прогнозирование возможного уменьшения количества клиентов;

−выявление необычного или потенциально опасного для компании клиентского поведения.

Итоговой целью данной деятельности является улучшение качества оказываемых услуг, более эффективное привлечение и удержание клиентов.

Основная методология АКС складывается из следующих шагов:

1) Подготовка частотной матрицы.

2) Построение метрик.

3) Вычисление профилей поведения клиен-

тов.

4) Сегментация клиентской базы.

5) Позиционирование услуг (позиций ассортимента).

6)Поиск схожих услуг и клиентов.

7)Направленный маркетинг.

8)Персонализация.

Многообразие задач сегментирования и условий формирования рынков породили множество методов сегментирования. В настоящее время в практике исследования рынков получили широкое распространение следующие методы сегментирования:

–метод многомерной классификации;

–метод корреляционного сегментирования

–«К-сегментирование»;

–методы архетиповой сегментации;

–метод сегментации по выгодам;

–метод построения сетки сегментации;

–метод группировок;

–метод функциональных карт;

–метод сегментации на основе матриц

Абеля;

–метод сегментации потребителей по степени их лояльности;

–метод сегментации по выгодам.

Среди методов сегментирования, которые появились достаточно недавно, можно назвать следующие методы:

–метод коллаборативной фильтрации;

–метод латентных моделей;

–метод гибкого (flexible) сегментирования;

–метод компонентного (componential) сегментирования[1].

Среди методов сегментирования наиболее мощным инструментом являются методы многомерной классификации данных. Применение метода многомерной классификации называют кластерным анализом.

Кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором исходных переменных. Целью кластерного анализа является образование групп сходных между собой объектов, которые принято называть кластерами.

В кластерном анализе используется большое разнообразие способов измерения расстояний (метрик). Примером одной из наиболее распространенные метрик сходства является евклидово расстояние.

Для удовлетворения потребностей клиентов и повышения их удовлетворенности, предприятия должны иметь возможности сегментации клиентов. Различные клиенты имеют различные характеристики, такие как предпочтения, ценность и прибыль.

Предложенный метод для анализа транзакций – алгоритм контроля транзакций, состоящий из трех ступеней: сбор данных, создание профиля клиента и контроль транзакций.

На этапе сбора данных данные о транзакциях о клиентском поведении rkсобираются в базу данных. Если размер Trkдостигает определенного уровня, достаточного для построения пофиля, процесс мониторинга переходит к следующему шагу.

На этапе создания профиля, создается профиль клиента Wrkиз набора данных Prkс использованием функцииφ; происходит обучение нейронной сети на основе набора данных Prk; построение профиля на основе результата обучения.

После этапа создания профиля следует этап контроля транзакции, на котором строится вектор pn+1 и применение функции φ к каждой новой транзакции клиентского поведения tn+1; расчет отклонения данной транзакции клиентского поведения от значений профиля Wrk; сравнений значения δ0 со значением предела ε1 обозначенного в профиле Wrk и оценка данной транзакции с точки зрения пригодности для последующего анализа.

Решение задач классификации на основе нечётких нейронных сетей состоит в отнесении объекта, заданного вектором информативных при-

X = (x1, x2 ,…,xn ) y {d1,d2,…,dm}[2].

Рассмотрим подход к организации нейронечеткого классификатора, использующего механизм нечеткого логического вывода при решении задачи классификации нечетких входных векторов нейронной сетью с нечеткими связями.

Трехслойная нечеткая нейронная сеть

Нейро-нечеткий классификатор m-мерных

нормализованных векторов X нечеткими коорди-

~ ~

наторами ( x1 ,...,xm )будем представлять в виде

116

трехслойной нечеткой нейронной сети (рисунок), в которой:

− первый слой содержит m, по числу координат входного вектора, нечетких нейронов с комплементарными нечеткими связями, формирующих m пар нечетких высказываний (НВ) вида:

xi есть S

L , i 1, ,m ;

−средний слой содержит до 2m нечетких нейронов с комплементарными нечетким связями, выполняющих операцию логического вывода (например, min) над сочетаниями нечетких высказываний первого слоя нейронной сети с целью формирования системы нечетких классификационных заключений;

−выходной слой содержит n, по числу координат выходного вектора, нечетких нейронов с комплементарными нечетким связями, выполняющих операцию композиции (например, max) над нечеткими классификационными заключениями второго слоя нейронной сети для формирования n-

мерных векторов Y выходных нечетких заключе-

~ ~

ний ( y1 ,...,yn )

Последующее обучение нейро-нечеткого классификатора может производиться с использованием алгоритмов адаптации нейро-нечетких сетей, в частности с использованием механизма нечеткой межнейронной связи. Обучение нейронечеткого классификатора на наборе векторов обучающей выборки позволит выявить возможную противоречивость исходной системы нечетких предикатных правил и устранить из структуры нейронной сети незначащие связи (неточные заключения из исходной системы нечетких предикатных правил) [3].

Литература

1.Технология анализа клиентских сред. – Электрон.дан. – Режим доступа: http://www.forecsys.ru/ru/site/tech/cea/ .

2.Штовба С.Д. Проектирование нечетких систем средствами MATLAB /С.Д. Штовба. – М.: Горячая линия – Телеком, 2007 – 288 с.

3.Нестерук Г.Ф., Куприянов М.С., Елизаров С.И. К решению задачи нейро-нечеткой классификации/Г.Ф. Нестерук, М.С. Куприянов, С.И. Елизаров. SCM’2003 – СПб.: СПГЭТУ, 2003.

В современном мире все большое распространение и большую популярность приобретают автоматизированные системы управления зданием, или как их еще называют, системы «Умного дома», позволяющие значительно облегчить и автоматизировать процесс использования оборудования инженерных, мультимедийных, охранных и других систем зданий и сооружений, а так же значительно повысить эффективность их работы.

Такие системы еще называют понятием АСУЗ - Автоматизированная Система Управления Зданием.

Однако, существует проблема, связанная с не достаточной проработкой и исследованием угроз информационной безопасности пользователей АСУЗ и, соответственно, недостаточными механизмами им противодействия.

Для оценки рисков угроз информационной безопасности возможно сделать анализ для каждой из подсистем АСУЗ и получить причинно-следственную модель угроз, а также провести оценку приемлемости результатов противодействия им.

На большинстве объектов, где применяться АСУЗ, существуют инженерные системы зданий, сервисные системы для обеспечения комфорта человека, и системы управления описанными выше элементами. Рассмотрим их подробнее:

1) Комплекс инженерных систем зданий - это комплекс элементов, с помощью которых в зданиях поддерживаются параметры среды, необходимые для жизнедеятельности человека или нормальной работы технологического оборудования (температура, влажность и т.д.), удовлетворяются потребности в ресурсах (вода, приточный воздух), и осуществляется автоматический дистанционный контроль над работой всех систем.

2) Сервисные системы зданий – это системы, обеспечивающие сервисные функции для использования человеком в целях развлечения и получения дополнительных удобств, не связанных с инженерными системами здания. Это доступ к информационным ресурсам, использование бытовых приборов и т.д.

3) Система управления «Умного дома» – то, что позволяет интегрировать различные системы в единое целое и осуществлять политику управления в соответствии с заданными критериями.

Угрозами информационной безопасности для АСУЗ являются классические угрозы - нарушения конфиденциальности, целостности и доступности информации, используемой в процессе работы АСУЗ.

Конфиденциальность – это отсутствие возможности утечки информации закрытого или личного характера у лиц, использующих систему «Умного дома», через его компоненты.

Доступность – возможность авторизованным пользователям и самой системе «Умного дома» выполнять различные действия, прописанные в сценариях работы системы «Умного дома». В противном случае возникает проблема невозможности реагировать на события и осуществлять действия, предусматриваемые программной составляющей системы «Умного дома».

Целостность в контексте «Умного дома» - это достоверность информации, получаемой от датчиков или иных источников, включая пользователя [2].

Для оценки рисков угроз ИБ и выявления способов противодействия данным угрозам необходимо создать модель подобных угроз.

Таким образом, становятся очевидны риски: конфиденциальности – утечка персональных данных, включающих, например, данные о банковских счетах и т.д., доступности – отсутствие возможности реакции на внешние факторы – например, не включение системы пожаротушения при возгорании или не вызова экстренных служб при необходимости, целостности – ложные срабатывания системы безопасности.

Так же сюда следует добавить еще один – риск неэффективного использования информации, который следует из нарушения целостности и доступности данных, а так же неправильной работы элементов «Умного дома» и/или неправильной эксплуатации пользователями систем. Отсюда – неэффективное

использование ресурсов и неэффективная работа систем «Умного дома».

Очевидно, что данные риски достаточно существенны и могут привести к серьезным последствиям. Рассмотрим на примере SWOTанализа угрозы информационной безопасности системы “Умного дома” относительно ее структуры и компонентов.

Воспользуемся методом SWOT-анализа для создания модели угроз.

SWOT (СВОТ)-анализ (первые буквы англ.

слов strengths — сильные стороны, weaknesses —

слабые стороны, opportunities — возможности и threats — опасности, угрозы) – это анализ сильных и слабых сторон выбранной предметной области, а так же установка взаимосвязи между ними. Для контекста информационной безопасности это означает взаимосвязь между характеристиками подсистем АСУЗ и угрозами их безопасности[3].

Порядок проведения анализа:

-Необходимо отобразить категории, которые будут использованы для SWOT-анализа (таблица 1);

-создание SWOT-матрицы (таблица 2);

-создание матриц оценки критериев (таблицы 3, 4).

Итак, после создания SWOT-матрицы образованно четыре поля:

-сильные стороны и возможности (СИВ);

-сильные стороны и угрозы (СИУ);

-слабые стороны и возможности (СЛВ);

-слабые стороны и угрозы (СЛУ).

Важно рассматривать все возможные парные комбинации данных полей.

Таблица 1 Списки перечисленных категорий SWOT-анализа

Для оценки критерия «Возможности» создаться матрица, которая позиционирует каждую отдельно взятую возможность (таблица

3).

Таблица 3 Матрица оценки критерия «Возможности»

Таким же образом создаться матрица для оценки угроз (таблица 4).

Таблица 4 Матрица оценки критерия «Угрозы»

оцениваемой предметной области или объекта, а возможности и угрозывнешними.

Для получения полной картины угроз ИБ для различных категорий АСУЗ выполняться матрицы SWOT-анализа для всех подсистем.

информации. М.: Изд-во МИФИ, 1997. – 53