Для улучшения эксплуатационных свойств покрытий на основе известковых составов нами предложено вводить в рецептуру комплексную модифицирующую добавку, содержащую синтезированные гидросиликаты, алюмосиликаты кальция и гипс [8].

Добавка представляет собой белый дисперсный порошок, характеризующийся истинной плотностью, составляющей 2140 кг/м³, насыпной плотностью 240 кг/м³.

Технология получения алюмосиликатной добавки заключалась в каустификации растворов жидкого стекла гидроокисью кальция с последующим взаимодействием полученного гидросиликата кальция с раствором сульфата алюминия Al₂(SO₄)₃ [9].

Оксидный состав синтезируемой добавки представлен в таблице 1.

Таблица 1. Содержание оксидов, присутствующих в синтезированной добавке

Анализ данных, представленных в таблице, свидетельствует, что в добавке в основном преобладают следующие оксиды:
SiO₂, СаO, Al₂O₃, Na₂O, SO₃. Ренгенофазовый анализ (РФА) показал, что минералогический состав добавки представлен гипсом, d, А (7.638, 4.298,), минералами тоберморитовой группы, d, А (3.049, 3.203, 1.826, 1.676), полуводным гипсом, d, А (6.063, 2.801, 3.490), твердым раствором CSH(B) в виде слабозакристаллизованного геля, d, А ( 2,181; 1,882; 1,741 ). Анализ рентгенограммы показал, что присутствует рентгеноаморфная фаза, содержащая цеолиты

Рис.1. Рентгенограмма образцов добавки

Полученные данные нашли дополнительное подтверждение при проведении дифференциально-термического анализа с помощью установки «Термоскан-2». Термический анализ (ТА) образцов проводили в интервале температур 20-1000°С в атмосфере воздуха при скорости нагрева 10°С/мин. На рис. 2 приведена термограмма добавки.

При анализе термограммы добавки установлено, что эндоэффект в области температур 105-160⁰С, составляющий Q=0,932 Дж, связан с удалением свободной воды. Следующий эндоэффект в области температур 170-200^оС, равный Q=1,443 Дж, объясняется дегидратацией гипса до полуводного гипса, дегидратацией гидроалюмосиликатов кальция-натрия и удаление химически связанной воды из гидросиликатов кальция. Эндоэффект при температуре 220^оС, составляющий Q=0,181 Дж, вызван полным обезвоживанием полуводного гипса до ангидрита. Сильный экзоэффект в области температур 780-900 связан с кристаллизацией гидросиликатов кальция, содержащихся в добавке. Потеря массы образца составила 19,2 %.

Рис.2.Кривые дифференциально-термического анализа образцов добавки

Введение добавки в рецептуру известковых композитов приводит к ускорению отверждения и росту прочности. Так, после 28 суток воздушно-сухого твердения прочность при сжатии известковых образцов составляет R_сж = 1,22 МПа, а с добавкой в количестве 5% от массы извести – 1,8 МПа. На наш взгляд, повышение прочности известковых композитов с синтезируемой добавкой обусловлен химическим взаимодействием извести с добавкой.

Также эффективность применения добавки оценивали по изменению реологических свойств. Содержание добавки составляло 1-5%. Кривые набора пластической прочности приведены на рис.3.

Рис. 3. Изменение пластической прочности известковой смеси: 1 –контрольный состав на известковом вяжущем В/И=1,1; 2 – состав на известковом вяжущем с добавкой 1%, В/И=1,1; 3 – состав на известковом вяжущем с добавкой 2%, В/И=1,1; 4 –состав на известковом вяжущем с добавкой 5%, В/И=1,1.

Установлено, что синтезируемая добавка ускоряет скорость набора пластической прочности известковой смеси. Спустя 10 часов после затворения пластическая прочность известковой смеси с добавкой в количестве 1% от массы извести составила t=21 кПа (рис.3,кривая 2), с добавкой в количестве 2% от массы извести – t=28кПа (рис.3,кривая 3), с добавкой в количестве 5% от массы извести – t=101кПа (рис.3,кривая 4). Пластическая прочность контрольного состава (без добавки) составила t=12кПа (рис.3,кривая 1).

Таким образом, полученные результаты свидетельствуют о возможности применения для ускорения структурообразования в известковых композита комплексной модифицирующей добавки на основе смеси гидросиликатов кальция, алюмосиликатов и гипса.

Установлено, что синтезированные гидросиликаты кальция обладают разной основностью. По данным [4] низкоосновные ГСК кальция характеризуются более высокой прочностью. Учитывая это, с целью получения низкоосновных гидросиликатов кальция нами при приготовлении добавки дополнительно были введены материалы, которые содержат кремнезем, в частности, диатомит Инзенского месторождения с удельной поверхностью S_уд =19000 см²/г.

В работе было использовано два режима синтеза добавки ГСК: 1 режим – осаждение с применением 15%-ного раствора хлорида кальция в количестве 50% от массы жидкого натриевого стекла; 2 режим – осаждение с применением 10%-ного раствора хлорида кальция в количестве 50% от массы жидкого натриевого стекла и суспензии диатомита, при этом отношение твердая:жидкая фаза (Т:Ж) составило (Т:Ж) = 1:2. Приготовленная смесь перемешивалась и отфильтровывалась. Осадок высушивался при температуре 100^оС.

В исследованиях использовалась известь 2 сорта с активностью 86%. При этом содержание добавки ГСК составляло 30% от массы извести.

В работе был установлен оксидный и элементный состав добавки ГСК, синтезированной в присутствии диатомита. Установлено, что в составе добавки на основе ГСК, синтезированный с применением диатомита, преобладают оксиды кремния, составляющие 81,81 % (табл. 1).

Таблица 1. Химический состав добавки, синтезированной в присутствии диатомита

В таблице 2 представлен гранулометрический состав добавки гидросиликатов кальция, синтезированной в присутствии диатомита. Выявлено, что 3,30% составляют частицы размером 0,010–2,0 мкм, содержание частиц размером 200,000–300,000 мкм составляет 0,15%.

Таблица 2. Гранулометрический состав добавки на основе гидросиликатов кальция

В таблице 3 представлены значения активности и растворимости добавок ГСК на основе гидросиликатов кальция.

Таблица 3 – Активность и растворимость синтезированных гидросиликатов кальция

Так, активность А и растворимость М добавки гидросиликатов, приготовленной в присутствии диатомита, выше и составляют А=370 мг/г, М=70% (таблица 3), чем у добавки ГСК, синтезированной без диатомита, составляют А=320 мг/г, М=65% (таблица 3).

Таким образом, введение добавки на основе гидросиликатов кальция, синтезированной с применением диатомита, в отделочных известковых сухих строительных смесях позволит повысить эксплуатационную стойкость известковых составов.

Введение

В условиях информационного бума, когда объемы данных в интернете растут В современных условиях развития финансовых технологий и цифровизации банковской сферы вопросы прозрачности и объяснимости решений, принимаемых на основе машинного обучения, приобретают особую актуальность. Объяснимое машинное обучение становится критически важным компонентом для обеспечения доверия стейкхолдеров и соответствия регуляторным требованиям в финансовой индустрии.

Финансовая сфера характеризуется высокой ответственностью принимаемых решений, где ошибки могут привести к значительным финансовым потерям и репутационному ущербу. Традиционные модели машинного обучения, несмотря на высокую точность предсказаний, часто представляют собой “черные ящики”, что затрудняет понимание логики их работы и обоснование принимаемых решений.

Актуальность исследования обусловлена растущей потребностью финансового сектора в надежных и прозрачных алгоритмах принятия решений. Современные регулятивные требования, такие как GDPR и принципы ответственного ИИ, подчеркивают необходимость обеспечения объяснимости автоматизированных решений, особенно в критически важных областях.

Целью данного исследования является разработка и анализ методов объяснимого машинного обучения, адаптированных для решения задач финансовой сферы. Особое внимание уделяется созданию инструментов интерпретации моделей, способных обеспечить понимание механизмов принятия решений при сохранении высокой точности прогнозирования.

Научная новизна работы заключается в разработке комплексного подхода к объяснимости моделей машинного обучения, учитывающего специфику финансовых данных и регуляторные требования. Исследование направлено на создание методологии, позволяющей не только повысить прозрачность принимаемых решений, но и обеспечить их обоснованность с точки зрения бизнес-логики и нормативных требований.

Результаты исследования могут найти применение в различных областях финансовой индустрии, включая кредитный скоринг, выявление мошенничества, оценку инвестиционных рисков и прогнозирование рыночных показателей, что способствует повышению качества принимаемых решений и укреплению доверия пользователей к автоматизированным системам.

Машинное обучение представляет собой совокупность методов искусственного интеллекта, позволяющих создавать системы, способные к самообучению на основе анализа больших массивов данных. В контексте финансовой сферы особое значение приобретают алгоритмы, обеспечивающие не только высокую точность предсказаний, но и возможность интерпретации полученных результатов.

Объяснимость моделей является ключевым аспектом при принятии критических решений. В финансовой индустрии это обусловлено необходимостью обоснования принимаемых решений перед регуляторами, клиентами и другими заинтересованными сторонами.

Методология исследования

Методологическая база исследования включает комплексный анализ существующих подходов к объяснимости моделей, разработку метрик оценки качества интерпретаций, создание визуализационных инструментов и их тестирование на реальных финансовых данных.

Анализ современных методов интерпретации

Современные подходы к интерпретации моделей включают локальные и глобальные методы. К локальным относятся LIME (LocalInterpretable Model-agnostic Explanations),SHAP (SHapley Additive exPlanations) и Partialdependence plots. Глобальные методы представлены анализом важности признаков,permutation importance и глобальными суррогатными моделями.

Адаптация методов для финансовой сферы

Специфика финансовых данных требует существенной модификации классических подходов с учетом временных зависимостей, работы с несбалансированными выборками, обработки категориальных признаков и соблюдения регуляторных ограничений.

Практическая реализация

Экспериментальная часть исследования охватывает сбор и предобработку данных, выбор базовых моделей машинного обучения, применение методов интерпретации и валидацию полученных результатов.

Результаты исследования

Полученные результаты демонстрируют значительное повышение прозрачности принимаемых решений, улучшение понимания поведения моделей, снижение рисков некорректных интерпретаций и обеспечение соответствия регуляторным требованиям.

Метрики оценки качества

Система оценки включает комплексный анализ точности предсказаний, качества интерпретаций, надежности объяснений и вычислительной эффективности разработанных методов.

Визуализационные решения

Инструменты визуализации обеспечивают эффективное представление важности признаков, отображение влияния различных факторов, анализ локальных объяснений и мониторинг качества моделей в реальном времени.

Ограничения исследования

Факторы ограничения связаны с вычислительной сложностью применяемых методов, объемом обрабатываемых данных, спецификой предметной области и необходимостью соблюдения регуляторных требований.

Перспективы развития

Дальнейшие исследования направлены на разработку новых методов интерпретации, совершенствование существующих подходов, расширение области применения и интеграцию с регуляторными системами финансового сектора.

Заключение

Проведенное исследование демонстрирует существенную значимость разработки методов объяснимого машинного обучения в контексте принятия критических решений в финансовой сфере. В ходе работы были достигнуты поставленные цели и решены все задачи, что позволило сформировать комплексный подход к интерпретации моделей машинного обучения.

Основные результаты исследования свидетельствуют о том, что применение современных методов интерпретации существенно повышает прозрачность принимаемых решений и обеспечивает их соответствие регуляторным требованиям. Разработанные визуализационные инструменты позволяют эффективно представлять результаты анализа моделей и облегчают процесс принятия обоснованных решений.

Практическая значимость работы заключается в создании методологической базы для адаптации методов объяснимого машинного обучения к специфике финансовых задач. Предложенные метрики оценки качества интерпретаций и надежности объяснений позволяют объективно оценивать эффективность применяемых подходов.

Перспективные направления дальнейших исследований связаны с развитием новых методов интерпретации, совершенствованием существующих подходов и расширением области их применения. Особое внимание следует уделить интеграции разработанных решений с существующими регуляторными системами и созданию унифицированных стандартов объяснимости в финансовой индустрии.

Полученные результаты подтверждают гипотезу о том, что применение методов объяснимого машинного обучения способствует повышению качества принимаемых решений, снижению рисков некорректных интерпретаций и укреплению доверия стейкхолдеров к автоматизированным системам принятия решений.

Таким образом, исследование вносит существенный вклад в развитие теории и практики применения объяснимого машинного обучения в финансовой сфере, создавая основу для дальнейших исследований в данном направлении.