Метрический анализ сходства композиционных данных для нечеткого поиска релевантных рецептур эластомерных смесей
Информационные и математические технологии в науке и управлении · 05.06.2026 · (2(42)) · 102-116
DOI: 10.25729/esi.2026.42.2.008 ↗Kurz gefasst
Fachartikel in der Zeitschrift Информационные и математические технологии в науке и управлении, erschienen am 05.06.2026. Verfasst von А.А. Рыбанов und 1 weiteren Autor:innen.
Abstract (Originalsprache)
В статье рассматривается актуальная задача разработки специализированных методов для поиска и ранжирования близких по составу рецептур резиновых смесей в базах данных. Целью исследования является разработка и сравнительный анализ метрик сходства, адаптированных для количественной оценки близости многокомпонентных композиционных данных, представленных в виде нормированных векторов весовых долей ингредиентов. Основное содержание работы включает формальную постановку задачи идентификации релевантных рецептур, требующую максимизации комплексной функции сходства, учитывающей как качественный состав (наличие ингредиентов), так и количественные пропорции. В качестве инструментария предложены и адаптированы четыре метрики: взвешенные коэффициенты Жаккара и Дайса, сходство Хеллингера и косинусное сходство. Теоретический анализ их свойств дополнен эмпирической валидацией на реальной промышленной базе данных, содержащей 6096 уникальных рецептур. Научная новизна исследования заключается в систематическом применении и адаптации аппарата метрического анализа к задаче поиска аналогов для композиционных данных материаловедения, а также в выявлении фундаментальной кластеризации рассматриваемых мер сходства. В отличие от существующих подходов, фокусирующихся на бинарном представлении состава или прогнозе свойств, представленная методология целенаправленно решает задачу точного поиска по составу и пропорциям. Полученные результаты выявили практически функциональную эквивалентность взвешенных коэффициентов Жаккара и Дайса (коэффициент корреляции r=0.991), образующих один кластер мер, чувствительных к полному набору компонентов. Сходство Хеллингера и косинусное сходство продемонстрировали сильную корреляцию (r=0.883), сформировав второй кластер мер, ориентированных на оценку структурного подобия пропорций, при этом метрика Хеллингера показала повышенную чувствительность к вариациям долей минорных ингредиентов. На основе этого сформулированы практические рекомендации по комбинированному использованию одной метрики из каждого кластера для создания эффективных поисковых систем. Разработанный метрический аппарат создает формальную основу для интеллектуального поиска аналогов, автоматизации подбора компонентов и сокращения времени на разработку новых рецептур в промышленности. The article addresses the pressing task of developing specialized methods for searching and ranking rubber compound formulations with similar compositions in databases. The aim of the research is to develop and conduct a comparative analysis of similarity metrics adapted for quantitatively assessing the proximity of multi-component compositional data represented as normalized vectors of ingredient weight fractions. The core of the work includes a formal statement of the problem of identifying relevant formulations, which requires maximizing a comprehensive similarity function that considers both qualitative composition (presence of ingredients) and quantitative proportions. Four metrics are proposed and adapted as tools: weighted Jaccard and Dice coefficients, Hellinger similarity, and cosine similarity. A theoretical analysis of their properties is supplemented by empirical validation on a real industrial database containing 6,096 unique formulations. The scientific novelty of the study lies in the systematic application and adaptation of metric analysis apparatus to the task of searching for analogues for compositional materials science data, as well as in revealing a fundamental clustering of the considered similarity measures. Unlike existing approaches focused on binary representation of composition or property prediction, the presented methodology purposefully solves the problem of precise search by composition and proportions. The obtained results revealed a near-functional equivalence of the weighted Jaccard and Dice coefficients (correlation coefficient r=0.991), forming one cluster of measures sensitive to the full set of components. Hellinger similarity and cosine similarity demonstrated a strong correlation (r=0.883), forming a second cluster of measures focused on assessing structural similarity of proportions, with the Hellinger metric showing increased sensitivity to variations in the fractions of minor ingredients. Based on this, practical recommendations are formulated for the combined use of one metric from each cluster to create effective search systems. The developed metric framework establishes a formal basis for intelligent analogue search, automation of component selection, and reduction of development time for new formulations in the industry.
Zitieren
APA
Рыбанов, А., & Каблов, В. (2026). Метрический анализ сходства композиционных данных для нечеткого поиска релевантных рецептур эластомерных смесей. Информационные и математические технологии в науке и управлении, 102-116. https://doi.org/10.25729/esi.2026.42.2.008
Vancouver
Рыбанов А, Каблов В. Метрический анализ сходства композиционных данных для нечеткого поиска релевантных рецептур эластомерных смесей. Информационные и математические технологии в науке и управлении. 2026:102-116. doi:10.25729/esi.2026.42.2.008
BibTeX
@article{2026,
author = {Рыбанов, А.А. and Каблов, В.Ф.},
title = {Метрический анализ сходства композиционных данных для нечеткого поиска релевантных рецептур эластомерных смесей},
journal = {Информационные и математические технологии в науке и управлении},
year = {2026},
number = {2(42)},
pages = {102--116},
doi = {10.25729/esi.2026.42.2.008}
}
EUVIMED