Последние конференции
- Информационные системы и модели в научных исследованиях, промышленности, образовании и экологии
- Информационные системы и модели в научных исследованиях, промышленности и экологии
- Современные проблемы экологии
- Экологические проблемы окружающей среды, пути и методы их решения
- Экология, образование и здоровый образ жизни
Математические и компьютерные методы анализа влияния геометрии нанокластеров на физико-химические свойства наноматериалов
О.Б. Бутусов, *В.П. Мешалкин, А.Б. Галаев
Московский государственный университет инженерной экологии,
*Российский химико-технологический университет им. Д.И.Менделеева,
г. Москва
Цель исследования: разработка математических методов и компьютерных алгоритмов текстурного, фрактально-статистического и морфометрического анализа нанокластеров на микрофотоизображениях наноматериалов.
Известно, что многие физико-химические свойства наноматериалов определяются кластерными организациями наночастиц в текстуре материала и геометрией нанокластеров. В некоторых случаях агрегирование нанокластеров приводит к ухудшению свойств наноматериалов. При этом важное значение при планировании свойств наноматериалов имеет учет "компактности" или "рыхлости" нанокластеров.
Разработанный алгоритм текстурного, фрактально-статистического и морфометрического анализа нанокластеров включает ряд этапов.
1. Анализ фрактальной размерности микрофотоизображений наноматериалов.
2. Классификация фрактальных нанокластеров по их фрактальным свойствам.
3. Вейвлет декомпозиция исходного микрофотоизображения. В наших дальнейших исследованиях были использованы четыре компонента вейвлет декомпозиции: аппроксимация и три детализации.
4. Разработка и расчет текстурных показателей. Каждый текстурный показатель предназначен для выделения определенных физико-химических свойств наноматериалов. Например, такой текстурный показатель как коэффициент инерции - характеризует мозаичность микрофотоизображений, кластеры которых состоят из пикселей различной яркости. Текстуры, состоящие из кластеров с приблизительно одинаковой яркостью пикселов, имеют близкий к нулю показатель инерции. Для некоррелированного белого шума инерция максимальна. Для однородного фона - равна нулю.
5. Классификация нанокластеров по их текстурным показателям. В наших исследованиях для кластеризации была использована самоорганизующаяся нейронная сеть SOM, состоящая из девяти нейронов. Каждый нейрон характеризуется своими координатами (весовыми коэффициентами). В данном случае расположение нейронов задается в четырехмерном пространстве (четыре показателя): одна аппроксимация и три детализации.
6. Преобразование выделенных кластеров в бинарные изображения.
7. Разработка и расчет морфометрических показателей, характеризующих индивидуальные свойства отдельных бинарных кластеров.
8. Разработка и расчет интегральных морфометрических показателей, характеризующих общие коллективные свойства всей совокупности бинарных кластеров.
9. Прогнозирование с помощью полученных результатов текстурного, фрактально-статистического, кластерного и морфометрического анализов физико-химических свойств наноматериалов.
Разработанные методы и алгоритмы могут быть предложены для изучения влияния геометрии нанокластеров на свойства наноматериалов в самых различных областях нанотехнологии.