Классификация апи: КЛАССИФИКАЦИЯ МОТОРНЫХ МАСЕЛ ПО API

Содержание

Новые классификации и официальная лицензия API на масла Asia-America и Molygen NG.


С первого мая 2020 года началось лицензирование масел по новейшей группе API SP, а также сертификация по ILSAC GF6. Компания Liqui Moly GmbH, в числе первых, представила на рынке масла этих новейших спецификаций, получив официальные лицензии API на всю серию масел Asia-America, маловязкие масла серии Molygen NG, а также грузовое масло Top Tec 4450 15W-40. Лицензия 3034, срок действие с 1 апреля 2020 года по 31 марта 2021 года.

Важно: замены пакета присадок в маслах Азия-Америка и Molygen NG не производилось, так как старые формулы обладали таким запасом, что уложились в новейшие требования.

Сайт Energy API / American Petrolium Institus

Получение новейшей классификации по ILSAC позволяет нам доминировать на рынке азиатско-американских автомобилей в качестве надежного поставщика правильных смазочных материалов. А также для новейших китайских автомобилей, так как принятие китайской версии ILSAC GF6 уже в ближайшей перспективе.

История вопроса:

Как и было ранее, классификация API и ILSAC связаны и имеют аналогичные требования. Основная разница между ними в том, что API представляет все классы вязкостей масел для бензиновых и дизельных двигателей, присутствующие на рынке, а ILSAC только энергосберегающие вязкости, ниже SAE 30 включительно, в области масел для бензиновых двигателей.

Еще в 2010 году ILSAC GF-5 представила ряд улучшений производительности по сравнению с предыдущими требованиями ILSAC GF-4 в таких областях, как защита от высокотемпературных отложений, экономия топлива, доочистка выхлопных газов и совместимость с уплотнениями, контроль шлама и защита двигателей, использующих топливо с содержанием этанола до Е85. API SN PLUS был введен 1 мая 2019 года в связи с задержками в разработке ILSAC GF-6. Это произошло в результате просьб производителей о дополнении к API SN для обеспечения адекватной защиты существующих двигателей от LSPI. Введен соответствующий тест (Sequence IX) для защиты от низкоскоростного предварительного зажигания (LSPI). Изменены приоритеты в использовании моющих присадок на основе кальция. ILSAC GF-6 включает в себя эти улучшения для защиты от LSPI и добавляет улучшения необходимые для новейших двигателей: экономия топлива и сохранение экономии топлива, сохранение ресурса двигателя, защита от износа. Дополнительно: содержание фосфора ограничено 0,08%. Новый класс ILSAC GF6 может использоваться во всех случаях, замещая классы ILSAC предыдущих генераций в рамках одного класса вязкости.

Впервые, в рамках классификации ILSAC GF6, масла SAE 0W-16 выделены в отдельную категорию ILSAC GF6B, в то время как остальные вязкости остаются в категории ILSAC GF6A.

Появление спецификации API SP сопровождается ужесточением требований к свойствам масел по сравнению с API SN. Поэтому для подтверждения соответствия этому стандарту моторное масло должно пройти целый ряд испытаний: низкотемпературная фильтруемость, улучшенная высокотемпературная защита от отложений для поршней и турбокомпрессоров, а также более строгий контроль лако- и шламообразования, запас антикоррозионный свойств для совместимости в биотопливом Е85. Сегодня список испытаний расширился введением совершенно новых видов тестов. Наряду с уже известными ранее тестами на LSPI (Sequence IX) и защиту от образования отложений (Sequence IIIH), добавились еще два – тест на износ цепи двигателей с непосредственным впрыском (Sequence X) и системы ГРМ (Sequence IVB). API SP ориентирована на сохранение ресурса двигателей и продления срока их службы, а также топливную экономию.

Перспективы процесса стандартизации моторных масел.

Очевидно, что экологические тенденции развития рынка никуда не уйдут. По прежнему в ходу будут дизельные сажевые фильтры, активно внедряются фильтры твердых частиц бензиновых двигателей, так что зольность масел будет ограничиваться, а щелочность, напротив, расти. Вязкостные классы масел развиваются в сторону все более жидких продуктов, так что мы скоро станем свидетелями появления ILSAC GF6C для масел SAE 0W12 или 0W-8.

В ближней перспективе появление dexos 1 gen 3 со сниженной до NOACK Масла классов 5w-XX будут постепенно заменяться SAE 0W-XX, по крайней мере, на рынке США.

Предполагается обновление ACEA

ACEA C6 будет следующей ступенью за ACEA C5 с включением трех новых эксплуатационных испытаний: LSPI, износа цепи и отложений турбокомпрессора, как в ILSAC.

ACEA A7/B7 будет следующей ступенью за ACEA A5/B5 с теми же требованиями к тестированию, что и ACEA C6.

ACEA A5/B5, а также АСЕА С1 будет удален.

АСЕА А3/В4 обновляться не будет, как стандарт для устаревших двигателей.

ACEA E6 и ACEA E9 заменятся ACEA E8 и ACEA E11, соответственно. Эти новые категории будут построены на основе требований ACEA E6 и ACEA E9 с включением тестов двигателя, разработанных для API CK-4.


О чем говорят спецификации моторных масел API, ACEA, ILSAC, ААЕ?

13 Июля 2020

API, ACEA, ILSAC и ААЕ — это международные стандарты качества, разработанные крупными экспертными организациями. Производители автомобилей всегда указывают определенные спецификации в руководстве по эксплуатации автомобиля, поэтому они являются важным параметром при выборе моторного масла. Рекомендуемые спецификации зависят от конструктивных особенностей и типа двигателя конкретного автомобиля.

Кто же эти экспертные сообщества, занимающиеся разработкой стандартов:

  • API (от англ. – American Petrol Institute) — Американский институт нефти;
  • ACEA (от фр. – Association des Constructeurs Européens d’Automobiles) — Ассоциация европейских производителей автомобилей;
  • ILSAC (от англ. – International Lubricant Standardization and Approval Committee) — Международный комитет по стандартизации и одобрению смазочных материалов;
  • ААЕ (или русс. – ААИ) — Ассоциация автомобильных инженеров России.

Масла для автомобилей американских и азиатских автопроизводителей классифицируются по API или ILSAC. Европейские производители автомобилей для определения качества масла руководствуются классификацией по ACEA. При этом при выборе масла для легковых автомобилей, оборудованных дизельным двигателем с сажевым фильтром (DPF), руководствуются требованиям по классификации ACEA. Коммерческий дизельный транспорт ориентируется на обширную систему требований по API и ACEA.

Классификация API разделяет масла по их эксплуатационным свойствам. В соответствии с системой API существует две категории моторных масел:

  • API S (Service), например API SN – масла для бензиновых двигателей;
  • API C (Commercial), например API CK-4 – масла для дизельных двигателей.

Расшифровывается маркировка качества по API так. Буква, следующая за «S» или «С», указывает на качество масла. Чем дальше она стоит в алфавите, тем выше требования к уровню свойств масла. Самая низкая действующая в настоящее время спецификация для бензиновых двигателей – это API SJ.

В настоящее время наивысшей категорией масел для бензиновых двигателей по классификации API является спецификация API SN Plus, действующая с 1 мая 2018 года. Она особенно актуальна для автомобилей с TGDI (турбированным бензиновым двигателем с прямым впрыском), так как моторное масло такого уровня свойств способно предотвратить преждевременное воспламенение топливной смеси в цилиндре.

Остальные категории API для бензиновых двигателей соответствуют:

  • API SJ — масла для автомобилей не старше 2001 года;
  • API SL – масла для автомобилей не старше 2004 года;
  • API SM – масла для автомобилей не старше 2010 года;
  • API SN – масла для автомобилей с 2011 года.

Для легковых бензиновых двигателей масла более высоких спецификаций, например, API SN, можно применять там, где рекомендовано использование масла предыдущего уровня, например, API SM, API SL или API SJ.

Высшей категорией масел для дизельных двигателей по этой классификации является спецификация API CK-4. Это новый стандарт моторных масел для автомобилей, выпускающихся с 2017 года.

Также действующими стандартами остаются API CH-4, API CI-4, API CI-4 PLUS и API CJ-4. Цифра «4» в маркировке спецификации указывает на соответствие масла требованиям четырехтактных двигателей большого объема.

Масла более высокого класса могут применяться в двигателях, для которых подходят масла классов ниже. Например, API CK-4 может замещать собой такие спецификации как API CJ-4, API CI-4, API CI-4 PLUS и API CH-4.

Спецификация же API CH-4 может использоваться там, где подходят масла устаревших спецификаций API CD, API CE, API CF-4 и API CG-4. При этом всегда необходимо учитывать рекомендации автопроизводителя.

Классификация ACEA выделяет масла, которые ориентированы на требования европейских автопроизводителей и имеют развернутую систему одобрений. Ее требования более жесткие исходя из общеевропейских стандартов качества.

В соответствии с классификацией ACEA масла для бензиновых и легковых дизельных двигателей объединены в одну категорию и имеют обозначение в виде сочетания букв A/B, рядом с которыми стоят цифры.

В настоящее время спецификация A1/B1, соответствующая энергосберегающим маслам низкой вязкости, отменена.

Спецификации A3/B3 соответствуют стабильные, износостойкие масла, отвечающие базовому уровню требований автопроизводителей. Это универсальные полновязкие полнозольные моторные масла.

Спецификация A3/B4 включает в себя спецификацию A3/B3, а также масла для бензинового двигателя с прямым впрыском и дизельного двигателя с системой инжекции. Масла этой спецификации подходят для увеличенного интервала замены масла и соответствуют повышенным требованиям автопроизводителей.

Спецификации A5/B5 соответствуют энергоэффективные моторные масла низкой вязкости, ориентированные на экономию топлива. Они применимы только для двигателей определенных моделей.

В связи с экологическими требованиями в европейских странах классификация ACEA дополнена категорией С, которой соответствуют масла для автомобилей, оснащённых системой очистки выхлопных газов (сажевый фильтр (DPF), каталитический нейтрализатор). Эти масла различаются уровнем содержания SAPS – сульфатной золы, фосфора и серы.

  • С1 – очень низкий уровень SAPS;
  • С2 – средний уровень SAPS;
  • С3 – средний SAPS;
  • С4 – низкий SAPS;
  • С5 – средний SAPS и экономия топлива; это малозольное масло низкой вязкости.

Масла для дизельных двигателей тяжелых грузовых автомобилей выделены в категорию E.

E4 – масла для двигателей экологических стандартов Euro I – Euro V, работающих в тяжелых условиях, включая увеличенные интервалы замены масла. Подходят для двигателей без сажевых фильтров, некоторых двигателей с EGR (система рециркуляции отработанных газов) и SCR (селективный каталитический нейтрализатор).

E6 – масла для двигателей экологических стандартов Euro I — Euro VI, работающих в тяжелых условиях с увеличенным интервалом замены масла. Они подходит для двигателей с EGR и SCR. Такие масла рекомендованы для двигателей, оснащенных сажевыми фильтрами, а также работающими на топливе с пониженным содержанием серы.

E7 – масла с отличной защитой от износа дизельных двигателей нового поколения экологических стандартов Euro I – Euro V. Они подходят для двигателей без сажевых фильтров и для большинства двигателей с EGR и SCR.

E9 – масла с отличной защитой от износа дизельных двигателей нового поколения экологических стандартов Euro I – Euro VI. Они подходят для двигателей с EGR и SCR. Рекомендованы для оснащённых сажевыми фильтрами двигателей, работающих на топливе с пониженным содержанием серы.

Классификация ILSAC создана для масел, используемых в американских и японских автомобилях. Она имеет пять категорий качества, первая из которых уже устарела, а наиболее актуальные в настоящее время ILSAC GF-4 и ILSAC GF-5.

  • ILSAC GF-4 – стандарт соответствует уровню требований API SM;
  • ILSAC GF-5 – стандарт соответствует уровню требований API SN.

Два этих стандарта перекрывают предыдущие уровни одобрения.

Классификация ААЕ (AAИ) имеет две категории масел:

  • Б – масла для бензиновых двигателей;
  • Д – масла для дизельных двигателей.

Цифры после буквы обозначают класс продукта. Высшими являются ААИ Б6 (AAE B6) для бензиновых двигателей, отвечающих требованиям Euro IV, и ААИ Д5 (AAE D5) для дизелей грузовых автомобилей с наддувом, работающих в тяжелых условиях и отвечающих требованиям Euro-III по выбросам токсичных компонентов.

Классификация согласно API. Научно-производственное объединение «ПРИСАДКИ»

Одним из основных международных стандартов, характеризующих моторные масла по эксплуатационным свойствам, является классификация API, разработанная Американским институтом нефти (Rican Petroleum Institute).

Согласно данной классификации, моторные масла делятся на две основные группы по типу двигателя, каждая из которых подразделяется на классы качества.

Первая буква в классификации API обозначает тип двигателя, для которого рекомендовано данное масло: S – для карбюраторных, С – для дизельных двигателей, универсальные масла, пригодные для обоих типов двигателей, обозначаются через дробь: S…/C… .

Вторая буква определяет класс качества масла, чем далее эта буква от начала латинского алфавита, тем выше класс масла.

При выборе масла следует помнить, что класс масла должен соответствовать классу двигателя. Детали двигателя, в особенности уплотнения, разработаны с учетом физико-химических характеристик определенного типа масла. Поэтому применение масла другого, даже более высокого класса, чем рекомендованный разработчиком двигателя, может привести к преждевременному выходу двигателя из строя.

Рекомендуемые классы масел в зависимости от условий эксплуатации и года разработки двигателя
категория S (карбюраторные двигатели) категория С (дизельные двигатели)
группа рекомендуемая область применения группа рекомендуемая область применения
SC для двигателей, работающих при умеренных нагрузках (выпуска до 1940 г.) CB для двигателей без наддува, работающих при повышенных нагрузках на сернистом топливе
SB для двигателей, работающих при умеренных нагрузках (выпуска до 1964 г.) CC для двигателей (в том числе с умеренным наддувом), работающих в тяжелых условиях
SD для двигателей, работающих при умеренных нагрузках (выпуска до 1968 г.) CD для двигателей с повышенным наддувом, работающих в тяжелых условиях (выпуска с 1983 г.)
SE для нефорсированных двигателей, работающих в тяжелых условиях (выпуска до 1972г.) CE для двигателей с повышенным наддувом, работающих в тяжелых условиях (выпуска с 1983г.)
SF для двигателей, работающих в тяжелых условиях на неэтилированном бензине (выпуска до средины 1980 г.) CF для высоконагруженных двигателей с турбонаддувом
SG для высокофорсированных двигателей, выпускаемых с 1989г. CF-2 масла с улучшенными характеристиками для двухтактных двигателей преимущественно американского производства
SH для высокофорсированных двигателей, выпускаемых с 1994г. CF-4 для высоконагруженных четырехтактных двигателей с любой степенью турбонаддува (выпуска с 1990 г.)
SJ масла с улучшенными экологическими качествами для высокофорсированных двигателей, выпускаемых с 1996 г. CG-4 масла с улучшенными xарактеристиками, отвечающими повышенным требованиям к токсичности отработанных газов для высоконагруженных четырехтактных двигателей с любой степенью турбонаддува (выпуска с 1994 г.)
SL для двигателей машин, выпущенных после 2000 года; применяются в многоклапанных, турбированных моторах, работающих на обеднённых смесями топлива, соответствующих современным повышенным требованиям по экологии, а так же энергосбережению CH-4 применяются в четырехтактных дизельных двигателях, которые эксплуатируются в высокоскоростных режимах и соответствуют требованиям норм и стандартов по токсичности выхлопных газов, принятых в 1998 году
SM для современных бензиновых (многоклапанных, турбированных) двигателей. По сравнению с классом SL моторные масла, соответствующие требованиям PI SM, должны обладать более высокими показателями защиты от окисления и преждевременного износа деталей двигателя. Кроме того, повышены стандарты относительно свойств масла при низких температурах.
Класс утвержден 30 ноября 2004 года.
CL-4 применяются в современных двигателях с различными видами впрыска и наддува.
Класс введен в 2002 году
CL-4PLUS новый эксплуатационный класс моторных масел для дизельных двигателей
Статьи

Классификация по API

На этикетке моторного масла много цифр и аббревиатур, которые зачастую трактуются неверно, а порой вообще неизвестно.
Мифы про вязкость развенчали. На очереди знакомство с классификациями, которые на этикетках представлены загадочными аббревиатурами — API, ACEA, ILSAC и ААЕ.
Индекс SAE, отвечающий за вязкость, ничего не скажет о приспособленности масла к особенностям конструкции и условиям работы самого двигателя. Узнать об этом можно лишь по указанным на этикетке индексам API, ACEA и подобные, которые характеризуют то или иное масло по присущим ему эксплуатационно-техническим свойствам.

API, ACEA, ILSAC и ААЕ — это международные стандарты качества, разработанные крупными экспертными организациями. Производители автомобилей всегда указывают определенные спецификации в руководстве по эксплуатации автомобиля, поэтому они являются важным параметром при выборе моторного масла.
Но кто же эти экспертные сообщества, занимающиеся разработкой стандартов:
API (от англ. – American Petrol Institute) — Американский институт нефти;
ACEA (от фр. – Association des Constructeurs Européens d’Automobiles) — Ассоциация европейских производителей автомобилей;
ILSAC (от англ. – International Lubricant Standardization and Approval Committee) — Международный комитет по стандартизации и одобрению смазочных материалов;
ААЕ (или русс. – ААИ) — Ассоциация автомобильных инженеров России.
Масла для автомобилей американских и азиатских автопроизводителей классифицируются по API или ILSAC.
Европейские производители автомобилей для определения качества масла руководствуются классификацией по ACEA.
При этом при выборе масла для легковых автомобилей, оборудованных дизельным двигателем с сажевым фильтром (DPF), руководствуются требованиям по классификации ACEA.
Коммерческий дизельный транспорт ориентируется на обширную систему требований по API и ACEA.

API 

Классификация на основе тестов в лаборатории и внутри двигателя API разделяет масла по качеству и используемой технике.
Расшифровывается маркировка качества по API так:
«S» (Service – масла для бензиновых двигателей)
или «С» (Commercial – масла для дизельных двигателей).
Буква следом, указывает на качество масла. Чем дальше она стоит в алфавите, тем выше требования к уровню свойств масла.
Самая низкая действующая в настоящее время спецификация для бензиновых двигателей – это API SJ — масла для автомобилей не старше 2001 года.
Другие категории API для бензиновых двигателей:
API SL – масла для автомобилей не старше 2004 года;
API SM – масла для автомобилей не старше 2010 года;
API SN – масла для автомобилей с 2011 года;
API SN Plus – действует с 1 мая 2018 года — особенно актуальна для автомобилей с TGDI (турбированным бензиновым двигателем с прямым впрыском), так как моторное масло такого уровня свойств способно предотвратить преждевременное воспламенение топливной смеси в цилиндре.
Для легковых бензиновых двигателей масла более высоких спецификаций, например, API SN, можно применять там, где рекомендовано использование масла предыдущего уровня, например, API SM, API SL или API SJ.
Высшей категорией масел для дизельных двигателей по этой классификации является спецификация API CK-4. Это новый стандарт моторных масел для автомобилей, выпускающихся с 2017 года.
Также действующими стандартами остаются API CH-4, API CI-4, API CI-4 PLUS и API CJ-4. Цифра «4» в маркировке спецификации указывает на соответствие масла требованиям четырехтактных двигателей большого объема.
Масла более высокого класса могут применяться в двигателях, для которых подходят масла классов ниже. Например, API CK-4 может замещать собой такие спецификации как API CJ-4, API CI-4, API CI-4 PLUS и API CH-4.
Спецификация же API CH-4 может использоваться там, где подходят масла устаревших спецификаций API CD, API CE, API CF-4 и API CG-4. При этом всегда необходимо учитывать рекомендации автопроизводителя.
Европейская система классификации на основе тестов в лаборатории и внутри двигателя с 1996 ACEA выделяет масла, которые ориентированы на требования европейских автопроизводителей и имеют развернутую систему одобрений. Ее требования более жесткие исходя из общеевропейских стандартов качества.

 

ACEA


    В соответствии с классификацией ACEA масла для бензиновых и легковых дизельных двигателей объединены в одну категорию и имеют обозначение в виде сочетания букв A/B, рядом с которыми стоят цифры.
В настоящее время спецификация A1/B1, соответствующая энергосберегающим маслам низкой вязкости, отменена.
Спецификации A3/B3 соответствуют стабильные, износостойкие масла, отвечающие базовому уровню требований автопроизводителей. Это универсальные полновязкие полнозольные моторные масла.
Спецификация A3/B4 включает в себя спецификацию A3/B3, а также масла для бензинового двигателя с прямым впрыском и дизельного двигателя с системой инжекции. Масла этой спецификации подходят для увеличенного интервала замены масла и соответствуют повышенным требованиям автопроизводителей.
Спецификации A5/B5 соответствуют энергоэффективные моторные масла низкой вязкости, ориентированные на экономию топлива. Они применимы только для двигателей определенных моделей.
В связи с экологическими требованиями в европейских странах классификация ACEA дополнена категорией С, которой соответствуют масла для автомобилей, оснащённых системой очистки выхлопных газов (сажевый фильтр (DPF), каталитический нейтрализатор). Эти масла различаются уровнем содержания SAPS – сульфатной золы, фосфора и серы.
С1 – очень низкий уровень SAPS;
С2 – средний уровень SAPS;
С3 – средний SAPS;
С4 – низкий SAPS;
С5 – средний SAPS и экономия топлива; это малозольное масло низкой вязкости.
Масла для дизельных двигателей тяжелых грузовых автомобилей выделены в категорию E.

ILSAC 


Классификация ILSAC создана для масел, используемых в американских и японских автомобилях. Она имеет пять категорий качества, первая из которых уже устарела, а наиболее актуальные в настоящее время ILSAC GF-4 и ILSAC GF-5.
ILSAC GF-4 – стандарт соответствует уровню требований API SM;
ILSAC GF-5 – стандарт соответствует уровню требований API SN
Два этих стандарта перекрывают предыдущие уровни одобрения.

ААЕ


Классификация ААЕ (AAИ) имеет две категории масел:
Б – масла для бензиновых двигателей;
Д – масла для дизельных двигателей.
Цифры после буквы обозначают класс продукта. Высшими являются ААИ Б6 (AAE B6) для бензиновых двигателей, отвечающих требованиям Euro IV, и ААИ Д5 (AAE D5) для дизелей грузовых автомобилей с наддувом, работающих в тяжелых условиях и отвечающих требованиям Euro-III по выбросам токсичных компонентов.

Зная классификацию проще ориентироваться в продуктах и подбирать продукт, который максимально соответствует вашему автомобилю.

23 декабря 2019

Классификация моторных масел по API

«C» Статус Сервисные дизельные двигатели
СК-4 ток Категория обслуживания API CK-4 описывает масла для использования в высокоскоростных четырехтактных дизельных двигателях, разработанных в соответствии со стандартами 2017 модельного года на выбросы выхлопных газов на шоссе и Tier 4 вне дорог, а также для дизельных двигателей предыдущего модельного года. Эти масла разработаны для использования во всех сферах применения с дизельным топливом с содержанием серы до 500 частей на миллион (0,05% по весу). Однако использование этих масел с содержанием серы более 15 частей на миллион (0,0015% по весу) в топливе может повлиять на долговечность системы доочистки выхлопных газов и / или интервал замены масла. Эти масла особенно эффективны для обеспечения долговечности системы контроля выбросов, в которой используются фильтры твердых частиц и другие современные системы дополнительной обработки. Масла API CK-4 предназначены для обеспечения усиленной защиты масла от окисления, потери вязкости из-за сдвига, и аэрация масла, а также защита от отравления катализатора, блокировки сажевого фильтра, износа двигателя, отложений на поршнях, ухудшения низко- и высокотемпературных свойств и увеличения вязкости, связанного с сажей. Масла API CK-4 превышают эксплуатационные критерии API CJ-4, CI-4 с CI-4 PLUS, CI-4 и CH-4 и могут эффективно смазывать двигатели, соответствующие этим категориям обслуживания API. При использовании масла CK-4 с содержанием серы более 15 ppm в топливе проконсультируйтесь с производителем двигателя для рекомендаций по интервалам обслуживания.
CJ-4 Текущий — 2006 г. Введен в 2006 г. для высокоскоростных четырехтактных двигателей. Разработан в соответствии со стандартами 2007 по выбросам выхлопных газов на шоссе. Масла CJ-4 предназначены для использования во всех сферах применения с дизельным топливом с содержанием серы до 500 ppm (0,05% по весу). Однако использование этих масел с содержанием серы более 15 ppm может повлиять на долговечность системы очистки выхлопных газов и / или интервалы замены масла. Масла CJ-4 эффективны для поддержания долговечности системы контроля выбросов, в которой используются фильтры твердых частиц и другие современные системы доочистки. Масла CJ-4 превышают эксплуатационные критерии CF-4, C-4, AH-4 и C-4.
CI-4 Plus Текущий — 2004 г. Обозначение «CI-4 PLUS», используемое в сочетании с API C-4, обозначает масла, разработанные для обеспечения более высокого уровня защиты от увеличения вязкости из-за образования сажи и потери вязкости из-за сдвига в дизельных двигателях. Как и функция энергосбережения, CI-4 PLUS отображается в нижней части служебного символа API «Пончик».
CI-4 Обслуживание дизельных двигателей в тяжелых условиях Требования к рабочим характеристикам CI-4 описывают масла для использования в этих высокоскоростных четырехтактных дизельных двигателях, разработанных в соответствии со стандартами выбросов выхлопных газов 2004 года, которые должны быть введены в действие в октябре 2002 года. Эти масла предназначены для использования во всех областях применения с дизельным топливом с различным содержанием серы. содержание до 0,05% по весу. Эти масла особенно эффективны для обеспечения долговечности двигателя, где может использоваться система рециркуляции выхлопных газов (EGR) и другие компоненты выхлопных газов. Обеспечивается оптимальная защита для контроля склонности к коррозионному износу, стабильности при низких и высоких температурах, свойств обработки сажи, контроля отложений на поршнях, износа клапанного механизма, окислительного загустения, вспенивания и потери вязкости из-за сдвига. Масла CI-4 превосходят по своим характеристикам масла, соответствующие API CH-4,
CH-4 Обслуживание дизельных двигателей в тяжелых условиях Эти сервисные масла подходят для высокоскоростных четырехтактных дизельных двигателей, разработанных в соответствии со стандартами выбросов выхлопных газов 1998 года, и специально разработаны для использования с дизельным топливом с содержанием серы до 0,5% веса. Масла CH-4 превосходят по своим характеристикам масла, соответствующие API CF-4 и API CG-4, и могут эффективно смазывать двигатели, соответствующие этим категориям услуг API.
CG-4 Устаревший В этой категории описываются масла для использования в высокоскоростных четырехтактных дизельных двигателях, используемых как в тяжелых условиях эксплуатации на шоссе (топливо с содержанием серы 0,05%), так и в внедорожных условиях (топливо с содержанием серы менее 0,5%). Масла CG-4 обеспечивают эффективный контроль над высокотемпературными отложениями на поршнях, износом, коррозией, вспениванием, устойчивостью к окислению и накоплением сажи. Эти масла особенно эффективны в двигателях, разработанных в соответствии со стандартами выбросов выхлопных газов 1994 года, а также могут использоваться в двигателях, требующих категорий обслуживания API CD, CE и CF-4. Масла, предназначенные для этой службы, существуют с 1994 года.
CF-2 Устаревший Типичное обслуживание двухтактных дизельных двигателей, требующее очень эффективного контроля за задирами и отложениями цилиндров и торцевых поверхностей. Масла, предназначенные для этой службы, существуют с 1994 года и могут использоваться, если рекомендована категория обслуживания API CD-II. Эти масла не обязательно соответствуют требованиям API CF или CF-4, если они не соответствуют требованиям испытаний для этих категорий.
CF Устаревший Типичное обслуживание дизельных двигателей с непрямым впрыском и других дизельных двигателей, использующих широкий спектр видов топлива, в том числе использующих топливо с высоким содержанием серы; например, более 0,5% мас. Эффективный контроль отложений на поршнях, износа и коррозии медьсодержащих подшипников важен для этих двигателей, которые могут быть безнаддувными, с турбонаддувом или наддувом. Масла, предназначенные для этой службы, существуют с 1994 года и могут использоваться, когда рекомендована категория обслуживания API CD.
CF-4 Устаревший Типичное обслуживание высокоскоростных четырехтактных дизельных двигателей. Масла API CF-4 превышают требования категории API CE, обеспечивая улучшенный контроль расхода масла и отложений на поршнях. Эти масла следует использовать вместо масел API CE. Они особенно подходят для использования на шоссе и тяжелых грузовых автомобилях. В сочетании с соответствующей категорией S, они также могут использоваться в личных транспортных средствах с бензиновым и дизельным двигателем, т. Е. Легковых автомобилях, легких грузовиках и фургонах, если это рекомендовано производителем транспортного средства или двигателя.
CE Устаревший Обслуживание типично для некоторых тяжелых дизельных двигателей с турбонаддувом или наддувом, производимых с 1983 года и работающих как в условиях низкой скорости, высокой нагрузки, так и в условиях высокой скорости и высокой нагрузки. Масла, предназначенные для этой службы, также могут использоваться, если рекомендована категория обслуживания API CD.
CD-II Устаревший Типичное обслуживание двухтактных дизельных двигателей, требующее высокоэффективного контроля износа и отложений. Масла, предназначенные для этой службы, также соответствуют всем эксплуатационным требованиям API Service Category CD.
CD Устаревший Типичное обслуживание некоторых дизельных двигателей без наддува, с турбонаддувом или наддувом, где жизненно важен высокоэффективный контроль износа и отложений, или при использовании топлива с широким диапазоном качества (включая топливо с высоким содержанием серы). Масла, предназначенные для этой службы, были представлены в 1955 году и обеспечивают защиту от высокотемпературных отложений и коррозии подшипников в этих дизельных двигателях.
CC Устаревший Типичное обслуживание некоторых дизельных двигателей без наддува, с турбонаддувом или наддувом, работающих в средне- и тяжелых условиях, а также некоторых бензиновых двигателей для тяжелых условий эксплуатации. Масла, предназначенные для этой службы, обеспечивают защиту от коррозии подшипников, ржавчины, коррозии и образования отложений при высоких и низких температурах в бензиновых двигателях. Они были введены в 1961 году.
CB Устаревший Типичное обслуживание дизельных двигателей, работающих в легких и умеренных режимах, но с топливом более низкого качества, что требует большей защиты от износа и отложений; время от времени включал бензиновые двигатели в мягкое обслуживание. Масла, предназначенные для этой службы, были представлены в 1949 году. Они обеспечивают необходимую защиту от коррозии подшипников и высокотемпературных отложений в дизельных двигателях без наддува с топливом с повышенным содержанием серы.
CA Устаревший Типичное обслуживание дизельных двигателей, работающих в легких и средних режимах с использованием высококачественного топлива; время от времени включал бензиновые двигатели в мягкое обслуживание. Масла, предназначенные для этой службы, обеспечивают защиту от коррозии подшипников и отложений на ремнях колец в некоторых дизельных двигателях без наддува при использовании топлива такого качества, которое не предъявляет особых требований к защите от износа и отложений. Они широко использовались в 1940-х и 1950-х годах, но не должны использоваться ни в каком двигателе, если это специально не рекомендовано производителем оборудования.

Международная классификация масел API по уровням эксплуатационных свойств

Международная классификация масел API по уровням эксплуатационных свойств

Первая классификация моторных масел по условиям применения и уровням эксплуатационных свойств была разработана американским институтом нефти (АРI) еще в 1947 году. Используя латинский алфавит, буквосочетание API правильно произносится «эй — пи — ай», но обычно говорят просто «апи». С тех пор она многократно изменялась и дополнялась, но принцип подразде­ления моторных масел на две категории сохранялся всегда.

  • К категории «S» (Service — сервис) относятся масла, предназначенные для четырехтактных бензиновых двигателей легковых автомобилей, микроавто­бусов, пикапов (на них в США выполняется максимум сервисного обслуживания).
  • К категории «С» (Commercial — коммерческий) относятся масла, пред­назначенные для дизелей дорожно-строительной, сельскохозяйственной техники, автотранспорта, большегрузных тягачей (на чем «делают» коммерцию).

Уровни эксплуатационных свойств в классификации API обозначаются бук­вами латинского алфавита, стоящими за буквой «S» (для бензиновых ДВС) и за буквой «С» (для дизелей). Уровень эксплуатационных свойств возрастает по порядку латинского алфа­вита: А, В, С, D, E, F, G, H, J, L (буква I, стоящая в алфавите между Н и J, про­пущена во избежание путаницы с похожей по написанию буквой J).

Классы масел для бензиновых двигателей (категория S)
  • SL — для европейских и американских автомобилей выпуска с середины 2001 г.
  • SJ — для европейских и американских автомобилей выпуска с конца 1996 г. до середины 2001 г.
  • SH — для европейских и американских автомобилей 1993-96 г. выпуска и японских автомобилей с 1995 г. выпуска.
  • SG — для европейских и американских автомобилей 1989-93 г. выпуска и японских автомобилей 1989-1995 г. выпуска.
  • SF— для европейских и американских автомобилей 1980-89 г. выпуска и оте­чественных автомобилей.
Классы масел для дизельных двигателей (категория С)
  • СН-4 — для высокофорсированных четырехтактных дизелей автомобилей выпуска после 1998 г., заменяют CF, CG.
  • CG-4 — для высокофорсированных четырехтактных дизелей автомобилей выпуска после 1994 г.
  • CF-2 — отвечающие требованиям для двухтактных дизелей транспортных средств. CF-4 — для высокофорсированных четырехтактных дизелей автомобилей выпуска до 1994 г.
  • CF — для дизелей автомобилей выпуска до 1993-х.
Универсальные масла

Для обозначения универсальных масел используют двойную маркиров­ку, например, API CF-4 / SG, API SH / CG-4 и т.п. 

EC (ENERGY CONSERVING) — это обозначение применяется для энерго­сберегающих масел. Энергосберегающие масла отличаются малой вязкостью, легкотекучестью, минимальной испаряемостью.

Цифры при обозначении классов CF-4, CF-2, CG-4 дают информацию о со­ответствии класса к двухтактным или четырехтактным дизелям.

Поскольку работа автомобильного двухтактного ДВС характеризуется повы­шенной теплонапряженностью деталей, то масла для таких двигателей отлича­ются высокими противозадирными и противоизносными свойствами и неболь­шой зольностью. При тестировании масла на пригодность к применению на двухтактных дизелях, кроме лабораторных испытаний, методика API предусмат­ривает стендовые испытания на полноразмерном двухтактном дизеле с турбо-наддувом. Устаревшие классы за ненадобностью сегодня исключены из классификации API. В настоящее время в США сертифицируют масла только с высшими уровня­ми эксплуатационных свойств.

Моторные масла, сертифицированные на соответствие тем или иным классам API, маркируются стандартным символом в виде двойного круга, в центре которого указаны классы вязкости по SAE (см. рис.1). На некоторых упаковках масел могут быть указаны уровни эксплуатаци­онных свойств по API, но без стандартного символа с двойным кругом.

Это означает, что данное масло не проходило непосредственную серти­фикацию по классификации API, и классы API указаны по аналогии соот­ветствия с другой системой классификации.

Моторные масла API SL/CF 🚗 Особенности класса API SL-CF

30.03.2022 00:00

Содержание

Моторные масла необходимы для того, чтобы обеспечивать правильную и бесперебойную работу двигателя внутреннего сгорания. Однако ключевая особенность материала состоит в ином: они нужны, чтобы формировать защитную пленку на металлических конструкциях, снижая трения и предотвращая коррозийные процессы. При этом огромную роль играет вязкость и другие свойства масла. Именно поэтому при выборе подходящего материала необходимо учитывать маркировку, указанную производителем. Самый простой способ разобраться в том, какое именно масло подойдет для мотора Вашего авто, – узнать API материала.

Особенности маркировки API

Стандарт смазочных материалов был выдвинут еще в прошлом веке американским топливным институтом. Именно там была разработана система классификации моторных масел, получившая название API. Смазочные материалы, соответствующие требованиям этой классификации, отличаются высоким качеством. Они повышают износоустойчивость мотора, тормозят коррозийные процессы, снижают уровень трения. Кроме того, при выборе подходящего класса API Вы снижаете расход топлива и улучшаете ходовые качества автомобиля. Главное – учитывать, что некоторые материалы предусмотрены для конкретных моделей и не подходят для применения в других двигателях. В противном случае неподходящее масло принесет больше вреда, чем пользы.

Классификация моторных масел

Для того чтобы масло соответствовало требованиям API, оно должно подходить для автомобиля определенного года выпуска, улучшая характеристики его двигателя. Существуют два основных стандарта, в рамках которых моторные масла делятся на более современные или устаревшие варианты.

Категория S. К этому типу относятся все масла, которые подходят для бензиновых двигателей. Существуют также универсальные варианты: в этом случае в маркировке указываются два условных обозначения.

Категория С. К этому типу относятся материалы, подходящие для дизельных двигателей. Такое масло разрабатывается специально для тяжелой техники и обеспечивает высокое качество ее работы.

Кроме того, в классификации используется вторая буква: она нужна для того, чтобы указать уровень качества. Каждая последующая разновидность смазочного материала получает новую букву алфавита. Соответственно, SN будет «моложе» SG. Как правило, такие масла могут заменять более «старые» марки, а также применяться для двигателей последнего поколения.

Особенности класса API SL-CF

Существуют универсальные решения для автомобилей любого типа. К такому классу относится моторное масло API SL/CF. Стоит отметить, что на первом месте указывается приоритетное применение. То есть вышеозначенная марка больше подходит именно для бензиновых двигателей, однако может применяться и для дизеля. В чем преимущества такого материала?

Длительная эксплуатация

Масло API SL отлично подходит для двигателей, выпущенных до 2004 года. Оно обеспечивает качественную смазку, снижает трение и отложения нагара. В результате сроки работы двигателя увеличиваются. Кроме того, в процессе использования такого масла практически не требуется дополнительного обслуживания мотора.

Работа в любых условиях

Материал отлично переносит перепады температур, не боится перегрева и холода. Температурные режимы указываются на упаковке, поэтому Вы без труда сможете подобрать свой оптимальный вариант.

Экономия

Хорошие моторные масла API SL CF обеспечивают долгую эксплуатацию материала, позволяя сэкономить.

Предложения SINTEC

В каталоге производителя Вы можете выбрать подходящую разновидность материала:

SINTEC LUX SAE 5W-40 API SL/CF

Подойдет как для новых двигателей, так и для моторов с небольшим пробегом. Может применяться для отечественных авто и иномарок, пассажирских и спортивных автомобилей.

SINTEC LUX SAE 10W-40 API SL/CF

Отличается отличными эксплуатационными характеристиками. Выдерживает низкие температуры (до -28 градусов), отлично ведет себя как в отечественных, так и в иностранных двигателях.


Состав и классификация цемента — PetroWiki

Почти все буровые цементы изготавливаются из портландцемента — прокаленной (обожженной) смеси известняка и глины. Раствор портландцемента в воде используется в скважинах, потому что его легко перекачивать и он быстро затвердевает даже под водой. Он называется портландцементом, потому что его изобретатель Джозеф Аспдин считал, что затвердевший цемент напоминает камень, добытый на острове Портленд у берегов Англии.

Дозирование материалов

Портландцементы

легко модифицируются в зависимости от используемого сырья и процесса их комбинирования.

Дозирование сырья основано на серии одновременных расчетов, учитывающих химический состав сырья и тип производимого цемента: Американское общество по испытаниям и материалам (ASTM), тип I, II, III , или V белый цемент, или Американский институт нефти (API) класса A, C, G или H. [1] [2]

Классификация цемента

Основным сырьем, используемым для производства портландцемента, являются известняк (карбонат кальция) и глина или сланец.Часто добавляют железо и глинозем, если они еще не присутствуют в достаточном количестве в глине или сланце. Эти материалы смешивают друг с другом, влажным или сухим, и подают во вращающуюся печь, которая плавит известняковую суспензию при температуре от 2600 до 3000°F в материал, называемый цементным клинкером. После охлаждения клинкер измельчают и смешивают с небольшим количеством гипса, чтобы контролировать время схватывания готового цемента.

Когда эти клинкеры гидратируются водой в процессе схватывания, они образуют четыре основные кристаллические фазы, как показано в Таблица 1 и Таблица 2 . [3]

  • Таблица 1. Типовой анализ портландцемента в процессе прокатки

  • Таблица 2. Типичный состав и свойства классов API портландцемента

Портландцементы обычно производятся в соответствии с определенными химическими и физическими стандартами, которые зависят от их применения. В некоторых случаях для получения оптимальных композиций необходимо добавлять дополнительные или корректирующие компоненты.Примеры таких добавок:

  • Песок
  • Кремнистые суглинки
  • Пуццолан
  • Диатомовая земля (DE)
  • Железный колчедан
  • Глинозем

В расчетах также учитываются глинистые или кремнистые материалы, которые могут присутствовать в больших количествах в некоторых известняках, а также зола, образующаяся при сжигании угля в печи. Незначительные примеси в сырье также должны быть приняты во внимание, так как они могут оказывать значительное влияние на характеристики цемента.

В США есть несколько агентств, которые изучают и пишут спецификации для производства портландцемента. Из этих групп наиболее известными в нефтяной промышленности являются ASTM, которая имеет дело с цементами для строительства и использования в строительстве, и API, которая пишет спецификации для цементов, используемых только в скважинах.

Спецификация ASTM. C150 [1] предусматривает восемь типов портландцемента: Типы I, IA, II, IIA, III, IIIA, IV и V, где «А» обозначает воздухововлекающий цемент.Эти цементы предназначены для удовлетворения различных потребностей строительной отрасли. Цементы, используемые в скважинах, подвергаются воздействию условий, не встречающихся в строительстве, таких как широкий диапазон температур и давлений. По этим причинам были разработаны различные спецификации, которые охватываются спецификациями API. В настоящее время API предоставляет спецификации, охватывающие восемь классов тампонажных цементов, обозначенных как классы от A до H. Наиболее широко используются классы API G и H.

Цементы для нефтяных скважин также доступны со средней сульфатостойкостью (MSR) или высокой сульфатостойкостью (HSR).Сульфатостойкие марки используются для предотвращения разрушения затвердевшего цемента в скважине, вызванного воздействием сульфатов пластовыми водами.

Классификация API

Нефтяная промышленность закупает цементы, произведенные преимущественно в соответствии с классификациями API, опубликованными в API Spec. 10А. [4] Далее определяются различные классы цементов API для использования при забойных температурах и давлениях.

Класс А

  • Этот продукт предназначен для использования, когда не требуются особые свойства.
  • Доступен только в обычном сорте O (аналогично ASTM Spec. C150, Type I). [1]

Класс B

  • Этот продукт предназначен для использования в условиях, требующих умеренной или высокой устойчивости к сульфатам.
  • Доступны марки MSR и HSR (аналогично ASTM Spec. C150, тип II). [1]

Класс С

  • Этот продукт предназначен для использования в условиях, когда требуется высокая начальная прочность.
  • Доступен в обычном, O, MSR и HSR классах (аналогично ASTM Spec.С150, Тип III). [1]

Класс G

  • Никакие добавки, кроме сульфата кальция или воды, или того и другого, не должны перемалываться или смешиваться с клинкером при производстве скважинного цемента класса G.
  • Этот продукт предназначен для использования в качестве основного скважинного цемента. Доступны марки MSR и HSR.

Класс H

  • Никакие другие добавки, кроме сульфата кальция или воды, или того и другого, не должны перемалываться или смешиваться с клинкером при производстве скважинного цемента класса H.
  • Этот продукт предназначен для использования в качестве основного скважинного цемента. Доступны марки MSR и HSR.

Свойства цемента, указанные в спецификациях API

Химические свойства и физические требования приведены в Таблицах 3 и Таблице 4 соответственно. [3] Типичные физические требования к различным классам цемента API показаны в таблице 5 . [3]

  • Таблица 3. Химические требования к цементам API

  • Таблица 4. Физические требования к цементам API

  • Таблица 5-Физические требования к различным типам цемента

Хотя эти свойства описывают цементы для целей спецификации, цементы для нефтяных скважин должны иметь другие свойства и характеристики, чтобы обеспечить их необходимые функции в скважине.(API RP10B содержит стандарты для процедур испытаний и специального оборудования, используемого для испытаний тампонажных цементов, и включает:

  • Приготовление суспензии
  • Плотность навозной жижи
  • Испытания на прочность при сжатии и неразрушающие акустические испытания
  • Испытания на время загустевания
  • Статические испытания на водоотдачу
  • Эксплуатационные испытания свободной жидкости
  • Испытания на проницаемость
  • Реологические свойства и прочность геля
  • Расчеты перепада давления и режима течения для шламов в трубах и кольцевых пространствах
  • Процедуры испытаний в Арктике (вечной мерзлоте)
  • Тест на стабильность суспензии
  • Совместимость скважинных флюидов. [5]

Каталожные номера

  1. 1.0 1.1 1.2 1.3 1.4 ASTM C150-97a, Стандартные технические условия для портландцемента. 2000. Западный Коншохокен, Пенсильвания: ASTM International. http://dx.doi.org/10.1520/C0150_C0150M-12
  2. ↑ ASTM C114-97a, Стандартные методы химического анализа гидравлического цемента. 2000. Западный Коншохокен, Пенсильвания: ASTM International. http://dx.doi.org/10.1520/C0114-11B.
  3. 3,0 3,1 3,2 Смит, Д.К. 2003. Цементирование. Серия монографий, SPE, Ричардсон, Техас, 4, гл. 2 и 3.
  4. ↑ Спецификация API. 10A, Технические условия на цементы и материалы для цементирования скважин, 23-е издание. 2002. Вашингтон, округ Колумбия: API.
  5. ↑ API RP 10B, Рекомендуемая практика испытания скважинных цементов, 22-е издание. 1997. Вашингтон, округ Колумбия: API.

См. также

Цементировочные работы

PEH: Цементирование

Примечательные статьи в OnePetro

Внешние ссылки

Монография SPE по цементированию

Категория

Руководство по классификации API для архитектуры BIAN

Опубликовано в декабре 2015 г.

Университет Карнеги-Меллона – Колледж Хайнца

Резюме

В финансовой отрасли многие API-интерфейсы выпускаются банками и ИТ-поставщиками за счет улучшения информационных технологий.В частности, мобильное приложение ускоряет распространение финансового API. В то же время распространение финансового API сопряжено с повышенным риском информационной безопасности, таким как утечка информации о банковском счете из-за отсутствия стандартов финансового API. В этой ситуации BIAN и CMU пытаются создать руководство по API, используя в этом проекте стандарт BIAN на основе SOA, BIAN Service Landscape. Команда проекта определяет API как дизайн содержимого API, например, какой информацией обменивается API. Руководство по классификации API описывает тип классификации API и процедуру классификации для каждого банковского бизнес-процесса.

Что касается типа классификации API, руководство классифицирует процесс банковского бизнеса с двух точек зрения: тип данных деловой информации и тип связи с другим процессом. Во-первых, тип данных, руководство использует трехуровневый подход, который фокусируется на структуре данных каждой информации. Уровень 1 (подробный) — вся информация о процессе представляет собой структурированные данные. Уровень 2 (смешанный) содержит как структурированные данные, так и неструктурированные данные в процессе.Уровень 3 (общий) — это другой конец уровня 1, где вся информация представляет собой неструктурированные данные. Во-вторых, тип связи, этот тип также имеет три группы: «машина-машина (MtoM)», «машина-человек (MtoP)/человек-машина (PtoM)» и «человек-человек» ( ПтоП)». Тип связи рассматривает взаимодействие между двумя банковскими бизнес-процессами.

Процедура классификации API

определяется с помощью бизнес-сценария команды CMU. Они провели упражнение для 5 бизнес-сценариев, которые включали бизнес-операции по платежам и бизнес-процессы по выдаче кредитов.Эти 5 бизнес-сценариев охватывают 23 бизнес-процесса; этот процесс называется Service Operation в BIAN Service Landscape. Каждая операция службы содержит элементы данных, и команда CMU оценила данные, чтобы классифицировать операцию службы по каждому типу данных и типу связи. Повторяя упражнение по бизнес-сценарию, команда CMU стандартизирует процесс оценки в процедуру классификации API, чтобы расширить исследование для других бизнес-сценариев.

Проанализировав результаты бизнес-учения, группа CMU пришла к выводу, что API следует стандартизировать для каждой операции обслуживания.Кроме того, существует релевантность между типами данных и типами связи при классификации операций службы. Классификация операций обслуживания сводится к трем группам: «Уровень 1 — MtoM», «Уровень 2 — MtoP/PtoM» и «Уровень 3 — PtoP». Кроме того, они признали, что эта тенденция может измениться за счет улучшения возможностей анализа текста. Опытная команда CMU, итерация бизнес-сценария, приносит новые открытия в проект.

Загрузить сейчас

Классификация — пикарет 2.3.5 документация

Эта функция инициализирует среду обучения и создает преобразование трубопровод. Функция настройки должна быть вызвана перед выполнением любой другой функции. Занимает два обязательных параметра: data и target . Все остальные параметры необязательный.

data: Union[pd.DataFrame, Callable[[], pd.DataFrame]]

Форма (n_samples, n_features), где n_samples — количество выборок и n_features — количество признаков.Если данные это функция, то она должна создать кадр данных pandas. Если вы хотите использовать распределенный PyCaret, это рекомендуется предоставить функцию, позволяющую избежать широковещательной передачи больших наборов данных из водителя к рабочим.

target: str

Имя целевого столбца для передачи в виде строки. Целевая переменная может быть либо бинарным, либо мультиклассовым.

train_size: float, по умолчанию = 0,7

Доля набора данных, используемая для обучения и проверки.Должно быть между 0,0 и 1,0.

test_data: pandas.DataFrame, по умолчанию = None

Если не None, test_data используется в качестве набора удержания, а параметр train_size игнорируется. test_data должны быть помечены, а форма данных и test_data должны быть соответствовать.

предварительная обработка: bool, по умолчанию = True

Если установлено значение False, никакие преобразования не применяются, кроме train_test_split и пользовательские преобразования, переданные в custom_pipeline param.Данные должны быть готов к моделированию (без пропущенных значений, без дат, категориальное кодирование данных), когда для предварительной обработки установлено значение False.

imputation_type: str, по умолчанию = «простой»

Используемый тип вменения. Может быть «простым» или «итеративным».

iterative_imputation_iters: int, по умолчанию = 5

Количество итераций. Игнорируется, если imputation_type не является «итеративным».

categorical_features: список str, по умолчанию = None

Если предполагаемые типы данных неверны или для параметра молчания установлено значение True, Параметр categorical_features можно использовать для перезаписи или определения типов данных.Он принимает список строк с именами столбцов, которые являются категориальными.

categorical_imputation: str, по умолчанию = «константа»

Отсутствующие значения в категориальных признаках вменяются с константой «недоступно» стоимость. Другая доступная опция — «режим».

categorical_iterative_imputer: str, default = ‘lightgbm’

Оценщик для итеративного вменения отсутствующих значений в категориальных функциях. Игнорируется, если imputation_type не является «итеративным».

ordinal_features: dict, по умолчанию = None

Кодировать категориальные признаки как порядковые. Например, категориальный признак с «низкий», «средний», «высокий» значения, где низкий < средний < высокий, могут быть переданы как ordinal_features = { ‘имя_столбца’: [‘низкий’, ‘средний’, ‘высокий’]}.

high_cardinality_features: список str, по умолчанию = None

Когда категориальные признаки содержат много уровней, их можно сжать до меньшего уровни с использованием этого параметра.Он принимает список строк с именами столбцов, которые являются категоричными.

high_cardinality_method: str, по умолчанию = «частота»

Категориальные признаки с высокой кардинальностью заменены частотой значения на каждом уровне, встречающиеся в обучающем наборе данных. Другой доступный метод является «кластеризация», которая обучает алгоритм кластеризации K-средних на статистическом атрибут обучающих данных и заменяет исходное значение функции на ярлык кластера. Количество кластеров определяется путем оптимизации Calinski-Harabasz критерий силуэта.

numeric_features: список str, по умолчанию = None

Если предполагаемые типы данных неверны или для параметра молчания установлено значение True, Параметр numeric_features может использоваться для перезаписи или определения типов данных. Он принимает список строк с числовыми именами столбцов.

numeric_imputation: str, по умолчанию = «среднее»

Отсутствующие значения в числовых функциях замещаются «средним» значением функции в обучающем наборе данных. Другой доступный вариант — «медиана» или «ноль».

numeric_iterative_imputer: str, по умолчанию = ‘lightgbm’

Оценщик для итеративного вменения отсутствующих значений в числовых функциях. Игнорируется, если для параметра imputation_type установлено значение «простой».

date_features: список str, по умолчанию = None

Если предполагаемые типы данных неверны или для параметра молчания установлено значение True, Параметр date_features можно использовать для перезаписи или определения типов данных. Занимает список строк с именами столбцов, которые являются DateTime.

ignore_features: список str, по умолчанию = None

Параметр ignore_features может использоваться для игнорирования функций во время обучения модели. Он принимает список строк с именами столбцов, которые следует игнорировать.

normalize: bool, по умолчанию = False

Если установлено значение True, он преобразует числовые функции, масштабируя их до заданного значения. спектр. Тип масштабирования определяется параметром normalize_method .

normalize_method: str, по умолчанию = ‘zscore’

Определяет метод масштабирования.По умолчанию для метода нормализации установлено значение «zscore». Стандартный zscore рассчитывается как z = (x — u)/s. Игнорируется при нормализации неправда. Другие варианты:

  • minmax: масштабирует и переводит каждую функцию по отдельности, чтобы она диапазон 0 — 1.

  • maxabs: масштабирует и переводит каждую функцию по отдельности, чтобы максимальное абсолютное значение каждой функции будет равно 1,0. Это не смещать/центрировать данные и, таким образом, не уничтожать разреженность.

  • Надежный: масштабирует и переводит каждый признак в соответствии с межквартильным спектр. Когда набор данных содержит выбросы, надежный масштабатор часто дает лучшие результаты.

Преобразование
: bool, по умолчанию = False

Если установлено значение True, оно применяет степенное преобразование, чтобы сделать данные более похожими на Гауссову. Тип преобразования определяется параметром transform_method .

transform_method: str, по умолчанию = ‘yeo-johnson’

Определяет метод преобразования.По умолчанию метод преобразования установите на «йо-джонсон». Другой доступный вариант преобразования — «квантиль». Игнорируется, когда преобразование не равно True.

handle_unknown_categorical: bool, по умолчанию = True

Если установлено значение True, неизвестные категориальные уровни в невидимых данных заменяются наиболее или наименее частый уровень, полученный в обучающем наборе данных.

unknown_categorical_method: str, по умолчанию = ‘least_frequent’

Метод, используемый для замены неизвестных категориальных уровней в невидимых данных.Метод может быть установите значение «наименьшая_частота» или «наибольшая_частота».

pca: bool, по умолчанию = False

Если установлено значение True, применяется уменьшение размерности для проецирования данных в пространство более низкого измерения с использованием метода, определенного в параметре pca_method .

pca_method: str, по умолчанию = «линейный»

«Линейный» метод использует разложение по единственному значению. Другие варианты:

pca_components: int или float, по умолчанию = None

Количество сохраняемых компонентов.если pca_components является числом с плавающей запятой, оно рассматривается как целевой процент сохранения информации. Когда pca_components является целым числом это рассматривается как количество функций, которые необходимо сохранить. pca_components должно быть меньше чем исходное количество признаков. Игнорируется, когда pca не равно True.

ignore_low_variance: bool, по умолчанию = False

Если установлено значение True, все категориальные признаки с незначительными отклонениями удалены из данных. Дисперсия рассчитывается с использованием отношения уникальных значения к количеству выборок, а также отношение наиболее распространенного значения к частота второго наиболее распространенного значения.

comb_rare_levels: bool, по умолчанию = False

Если установлено значение True, процентиль частоты для уровней в категориальных функциях ниже определенный порог объединяется в единый уровень.

special_level_threshold: float, по умолчанию = 0,1

Процентное распределение, ниже которого объединяются редкие категории. Игнорируется, когда comb_rare_levels неверно.

bin_numeric_features: список строк, по умолчанию = None

Чтобы преобразовать числовые функции в категориальные, параметр bin_numeric_features может использоваться.Для дискретизации требуется список строк с именами столбцов. Оно делает поэтому, используя правило «sturges», чтобы определить количество кластеров, а затем применить Алгоритм KMeans. Исходные значения функции затем заменяются ярлык кластера.

remove_outliers: bool, по умолчанию = False

Если установлено значение True, выбросы из обучающих данных удаляются с помощью единственного числа. Декомпозиция стоимости.

outliers_threshold: float, по умолчанию = 0,05

Процент выбросов, которые необходимо удалить из набора обучающих данных.Игнорируется, когда remove_outliers неверно.

remove_multicollinearity: bool, по умолчанию = False. порог снят. Когда две функции сильно коррелируют друг с другом, признак, который меньше коррелирует с целевой переменной, удаляется. Только учитывает числовые признаки.

multicollinearity_threshold: float, по умолчанию = 0,9

Порог для коррелированных функций.Игнорируется, когда remove_multicollinearity неправда.

remove_perfect_collinearity: bool, по умолчанию = True

Если установлено значение True, совершенная коллинеарность (объекты с корреляцией = 1) удаляется из набора данных, когда две функции коррелированы на 100%, одна из них случайным образом удалены из набора данных.

create_clusters: bool, по умолчанию = False

Если установлено значение True, в наборе обучающих данных создается дополнительная функция, где каждый Экземпляр назначается кластеру.Количество кластеров определяется оптимизация критерия Калински-Харабаша и силуэта.

cluster_iter: int, по умолчанию = 20

Количество итераций для создания кластера. Каждая итерация представляет кластер размер. Игнорируется, когда create_clusters не равно True.

polynomial_features: bool, по умолчанию = False

Если установлено значение True, новые функции получаются с использованием существующих числовых функций.

polynomial_grade: int, по умолчанию = 2

Степень полиномиальных признаков.2]. Игнорируется, когда polynomial_features не равно True.

trigonometry_features: bool, по умолчанию = False

Если установлено значение True, новые функции получаются с использованием существующих числовых функций.

polynomial_threshold: float, по умолчанию = 0,1

Когда polynomial_features или trigonometry_features имеет значение True, новые функции выводятся из существующих числовых признаков. Иногда это может привести к слишком большое функциональное пространство.для решения этой проблемы можно использовать параметр polynomial_threshold. проблема. Для этого используется комбинация Random Forest, AdaBoost и Linear. корреляция. Все производные признаки, попадающие в процентное распределение сохраняются, а остальные функции удаляются.

group_features: список или список из списка, по умолчанию = Нет

Если набор данных содержит объекты со связанными характеристиками, group_features параметр может использоваться для извлечения признаков. Он принимает список строк с имена столбцов, которые связаны.

group_names: list, по умолчанию = None

Имена групп, которые будут использоваться при именовании новых функций. Когда длина group_names не соответствует длине group_features , названы новые функции последовательно group_1, group_2 и т. д. Игнорируется, когда group_features Никто.

feature_selection: bool, по умолчанию = False

Если установлено значение True, подмножество функций выбирается с использованием комбинации различные методы важности перестановки, включая Random Forest, Adaboost и Линейная корреляция с целевой переменной.Размер подмножества зависит от параметра feature_selection_threshold .

feature_selection_threshold: float, по умолчанию = 0,8

Пороговое значение, используемое для выбора функции. Когда polynomial_features или feature_interaction — это True, рекомендуется поддерживать низкий порог чтобы избежать больших функциональных пространств. Установка очень низкого значения может быть эффективной, но может привести к недостаточной подгонке.

feature_selection_method: str, по умолчанию = «классический»

Алгоритм выбора признаков.«классический» метод использует функцию перестановки техники важности. Другое возможное значение — «boruta», в котором используется boruta. Алгоритм выбора признаков.

feature_interaction: bool, по умолчанию = False

Если установлено значение True, новые функции создаются путем взаимодействия (a * b) всех числовые переменные в наборе данных. Эта функция не масштабируется и не может работать должным образом с наборами данных с большим пространством признаков.

feature_ratio: bool, по умолчанию = False

Если установлено значение True, новые функции создаются путем расчета отношений (a / b) между всеми числовыми переменными в наборе данных.Эта функция не масштабируется и может не работать должным образом в наборах данных с большим пространством признаков.

interaction_threshold: логическое значение, по умолчанию = 0,01

Подобно polynomial_threshold, используется для сжатия разреженной матрицы новых созданные функции посредством взаимодействия. Особенности, важность которых зависит от комбинация случайного леса, AdaBoost и линейной корреляции попадает в процентили определенного порога сохраняются в наборе данных. Остальные функции отбрасываются перед дальнейшей обработкой.

fix_imbalance: bool, по умолчанию = False

Когда набор обучающих данных имеет неравное распределение целевого класса, его можно сбалансировать используя этот параметр. Если установлено значение True, SMOTE (Synthetic Minority Over-sampling Technique) применяется по умолчанию для создания синтетических точек данных для меньшинства.

fix_imbalance_method: obj, по умолчанию = None

Когда fix_imbalance имеет значение True, ‘imblearn’ совместимый объект с ‘fit_resample’ метод можно пройти.Если установлено значение None, используется ‘imblearn.over_sampling.SMOTE’.

data_split_shuffle: bool, по умолчанию = True

Если установлено значение False, предотвращает перемешивание строк во время «train_test_split».

data_split_stratify: логическое значение или список, по умолчанию = False

Управляет стратификацией во время «train_test_split». Если установлено значение True, будет стратифицировать по целевому столбцу. Чтобы стратифицировать любые другие столбцы, передайте список названия столбцов. Игнорируется, когда data_split_shuffle имеет значение False.

fold_strategy: объект генератора резюме str или sklearn, по умолчанию = ‘stratifiedkfold’

Выбор стратегии перекрестной проверки. Возможные значения:

fold: int, по умолчанию = 10

Количество кратностей, используемых при перекрестной проверке. Должно быть не менее 2. Это глобальная настройка, которую можно перезаписать на функциональном уровне с помощью fold параметр. Игнорируется, если fold_strategy является настраиваемым объектом.

fold_shuffle: bool, по умолчанию = False

Управляет параметром перемешивания CV.Применимо только при fold_strategy является «kfold» или «stratifiedkfold». Игнорируется, когда fold_strategy является пользовательским объект.

fold_groups: str или в виде массива, с формой (n_samples,), по умолчанию = None

Необязательные групповые метки, когда «GroupKFold» используется для перекрестной проверки. Он принимает массив формы (n_samples, ), где n_samples — число строк в обучающем наборе данных. Когда строка передается, она интерпретируется как имя столбца в наборе данных, содержащем групповые метки.

n_jobs: int, по умолчанию = -1

Количество заданий для параллельного выполнения (для функций, поддерживающих параллельный обработка) -1 означает использование всех процессоров. Чтобы запустить все функции на одном процессор установил для n_jobs значение None.

use_gpu: bool или str, по умолчанию = False

Если установлено значение True, будет использоваться GPU для обучения алгоритмам, которые его поддерживают, и вернуться к ЦП, если они недоступны. Если установлено значение «force», будет использовать алгоритмы с поддержкой графического процессора и создавать исключения, когда они недоступны.Когда False, все алгоритмы обучаются только на CPU.

Алгоритмы с поддержкой графического процессора:

custom_pipeline: (строка, трансформатор) или список (строка, трансформатор), по умолчанию = Нет

При передаче добавляются пользовательские преобразователи в конвейер предварительной обработки и накладываются на каждый шов отдельно и на окончательную подгонку. Все обычаи преобразования применяются после «train_test_split» и до внутреннего преобразования pycaret. преобразования.

html: bool, по умолчанию = True

При значении False запрещает отображение монитора во время выполнения.Это должно быть установлено в False когда среда не поддерживает IPython. Например, терминал командной строки, Databricks Notebook, Spyder и другие подобные IDE.

session_id: int, по умолчанию = None

Управляет случайностью эксперимента. Это эквивалентно «random_state» в наука-учиться. Если None, генерируется псевдослучайное число. Это можно использовать для последующей воспроизводимости всего эксперимента.

log_experiment: bool или str или BaseLogger или список str или BaseLogger, по умолчанию = False

A (список) PyCaret BaseLogger или str (один из ‘mlflow’, ‘wandb’) соответствующий регистратору, чтобы определить, какие регистраторы эксперимента использовать.При значении True будет использоваться только MLFlow.

Experiment_name: str, по умолчанию = None

Имя эксперимента для регистрации. Игнорируется, если log_experiment имеет значение False.

Experiment_custom_tags: dict, по умолчанию = None

Словарь tag_name: String -> value: (Строка, но будет преобразована в строку если нет) передается в mlflow.set_tags для добавления новых пользовательских тегов для эксперимента.

log_plots: логическое значение или список, по умолчанию = False

Если установлено значение True, некоторые графики автоматически регистрируются на сервере MLFlow .Чтобы изменить тип записываемых графиков, передайте список, содержащий идентификаторы графиков. Ссылаться к документации plot_model . Игнорируется, если log_experiment имеет значение False.

log_profile: bool, по умолчанию = False

Если установлено значение True, профиль данных регистрируется на сервере MLflow в виде HTML-файла. Игнорируется, если log_experiment имеет значение False.

log_data: bool, по умолчанию = False

Если установлено значение True, набор данных регистрируется на сервере MLflow в виде CSV-файла.Игнорируется, если log_experiment имеет значение False.

молчание: bool, по умолчанию = False

Управляет вводом подтверждения типов данных при выполнении setup . Когда выполняется в полностью автоматическом режиме или на удаленном ядре, это должно быть True.

verbose: bool, по умолчанию = True

Если установлено значение False, информационная сетка не печатается.

Профиль
: bool, по умолчанию = False

Если установлено значение True, отображается интерактивный отчет EDA.

profile_kwargs: dict, default = {} (пустой dict)

Словарь аргументов, переданных используемому методу ProfileReport для создания отчета EDA. Игнорируется, если профиль имеет значение False.

Обновить классификацию папки — Справочник по API

RequestResponseRequest ExampleRequest ExampleEdit this page классификация по папке.

Классификация может быть обновлена ​​только в том случае, если классификация уже была применялся к папке ранее. При редактировании классификаций отображаются только значения. определенные для предприятия, будут приняты.


Параметры пути

пример 12345

Уникальный идентификатор, представляющий папку.

ID для любой папки можно определить посетив эту папку в веб-приложении и копирование идентификатора из URL. Например, для URL-адреса https://*.app.box.com/folder/123 folder_id равен 123 .

Корневая папка учетной записи Box всегда представлен ID 0 .

Тело запроса

object arrayin bodyrequired

Список, содержащий одно изменение, которое нужно сделать, чтобы обновить классификационную метку.

пример /Box__Security__Classification__Key

Значение всегда равно /Box__Security__Classification__Key

пример Sensitive

Имя классификации для применения к этой папке.

Чтобы получить список доступных классификаций на предприятии, использовать API классификации для получения шаблон классификации в котором перечислены все доступные ключи классификации.

Возвращает экземпляр обновленного шаблона метаданных классификации.

Возвращает ошибку, если текст запроса недействителен.

  • bad_request — Формат тела запроса не является массивом действительных JSON Патч-операции.

Возвращает ошибку в некоторых пограничных случаях, когда тело запроса не является допустимым массив элементов JSON Patch.

Непредвиденная ошибка клиента.

поместить

Обновить классификацию в папку

Теперь вы можете попробовать некоторые из наших API вживую, верно? здесь в документации.

Войти

PANTHER версия 16: пересмотренная классификация семейства, инструмент древовидной классификации, области расширения и расширенный API

. 8 января 2021 г .; 49 (D1): D394-D403. дои: 10.1093/нар/гкаа1106.

Принадлежности Расширять

принадлежность

  • 1 Отделение биоинформатики, отделение профилактической медицины, Медицинская школа Кека, Университет Южной Калифорнии, Лос-Анджелес, Калифорния
  • , США.
Бесплатная статья ЧВК

Элемент в буфере обмена

Хуайю Ми и соавт. Нуклеиновые Кислоты Res. .

Бесплатная статья ЧВК Показать детали Показать варианты

Показать варианты

Формат АннотацияPubMedPMID

.8 января 2021 г .; 49 (D1): D394-D403. дои: 10.1093/нар/гкаа1106.

принадлежность

  • 1 Отделение биоинформатики, отделение профилактической медицины, Медицинская школа Кека, Университет Южной Калифорнии, Лос-Анджелес, Калифорния
  • , США.

Элемент в буфере обмена

Полнотекстовые ссылки Параметры отображения цитирования

Показать варианты

Формат АннотацияPubMedPMID

Абстрактный

PANTHER (Анализ белков через эволюционные отношения, http://www.pantherdb.org) — ресурс для эволюционной и функциональной классификации генов, кодирующих белок, из всех областей жизни. Эволюционная классификация основана на библиотеке из более чем 15 000 филогенетических деревьев, а функциональные классификации включают термины и пути генетической онтологии. Здесь мы анализируем текущий охват генов из геномов в разных таксономических группах, чтобы пользователи могли лучше понять, чего ожидать при анализе списка генов с помощью инструментов PANTHER. Мы также описываем обширные улучшения PANTHER, сделанные за последние два года.Онтология класса белков PANTHER была полностью переработана, и 6101 семейство PANTHER было вручную отнесено к классу белков, что обеспечивает классификацию семейств белков и их генов на высоком уровне. Пользователи могут получить доступ к инструменту TreeGrafter, чтобы добавить свои собственные белковые последовательности к эталонным филогенетическим деревьям в PANTHER, чтобы вывести эволюционный контекст, а также подробные аннотации. Мы добавили связи между генами-энхансерами человека, которые связывают некодирующие области с аннотированными генами человека в PANTHER.Мы также расширили доступные сервисы для программного доступа к инструментам и данным PANTHER через интерфейсы прикладного программирования (API). Другие улучшения включают дополнительные геномы растений и обновленный PANTHER GO-slim.

© The Author(s) 2020. Опубликовано Oxford University Press от имени Nucleic Acids Research.

Цифры

Рисунок 1.

Отношения между классификациями и данными…

Рисунок 1.

Отношения между классификациями и данными в PANTHER, показывающие различные способы, которыми…

Фигура 1.

Отношения между классификациями и данными в PANTHER, показывающие различные способы классификации гена/белка (внизу) (красный), а также другие данные, доступные в PANTHER (серый).Типы классификации показаны красным цветом. Стрелки указывают на характер взаимосвязи (1:1, 1:много, много:много) и способ ее получения (синий = вычислительный, оранжевый = экспертное курирование, оранжевый кружок на синем фоне = оба метода). В результате данный ген может быть связан только с одним подсемейством, семейством и классом белков, но может быть связан более чем с одним термином GO, путем или энхансерной областью.

Рис. 2.

Охват кодирующих белок генов…

Рисунок 2.

Охват генов, кодирующих белок, эволюционными аннотациями PANTHER и аннотациями на уровне ветвей. Каждый кружок представляет…

Фигура 2.

Охват генов, кодирующих белок, эволюционными аннотациями PANTHER и аннотациями на уровне ветвей.Каждый кружок представляет охват одного из 142 эталонных геномов PANTHER для различных типов аннотаций. Геномы позвоночных имеют наибольшее покрытие для всех типов аннотаций, но другие геномы по-прежнему охватываются в значительной степени.

Рисунок 3.

Охват кодирующих белок генов…

Рис. 3.

Покрытие генов, кодирующих белок, отдельными аннотациями на уровне белка, импортированными из GO и Reactome.…

Рисунок 3.

Покрытие генов, кодирующих белок, отдельными аннотациями на уровне белка, импортированными из GO и Reactome. Каждый кружок представляет охват одного из 142 эталонных геномов PANTHER для различных типов аннотаций. Охват более изменчив, чем для аннотаций на уровне эволюции и клады, и большинство геномов не охвачены аннотациями Reactome (точки перекрытия на 0).

Рисунок 4.

Использование онтологии белкового класса…

Рисунок 4.

Использование онтологии белкового класса. ( A ) Просмотр данных PANTHER с помощью…

Рисунок 4.

Использование онтологии белкового класса. ( A ) Просмотр данных PANTHER с использованием Protein Class. Обратите внимание, что число семейств также включает подсемейства. ( B ) Обзор всего набора кодирующих белок генов в геноме.

Рисунок 5.

Использование TreeGrafter для классификации…

Рисунок 5.

Использование TreeGrafter для классификации новой белковой последовательности. ( A ) Пользователи могут…

Рисунок 5.

Использование TreeGrafter для классификации новой белковой последовательности. ( A ) Пользователи могут классифицировать новые последовательности, используя HMM или TreeGrafter. ( B ) Результаты TreeGrafter показывают назначение подсемейства и термины GO, которые зависят от точки прививки в дереве. ( C ) Пользователи могут просматривать привитую последовательность в контексте эталонного филогенетического дерева.Новая последовательность представляет собой дополнительный лист в дереве (помеченный как «АНГРИВИРОВАННЫЙ» и выделенный синим цветом) с новым внутренним узлом (указанный красной стрелкой), индуцированным прививкой (помеченный как «АНИНДУЦИОНИРОВАННЫЙ»).

Рисунок 6.

PANTHER теперь содержит энхансерный ген PEREGRINE…

Рис. 6.

PANTHER теперь включает данные о связях гена-энхансера PEREGRINE. ( A ) Скриншот…

Рисунок 6.

PANTHER теперь включает данные о связях гена-энхансера PEREGRINE. ( A ) Снимок экрана страницы со списком генов после того, как пользователь запрашивает в системе PANTHER список генов (идентификаторы UniProt в столбце Сопоставленные идентификаторы). Энхансеры, связанные с каждым геном, перечислены в столбце «Энхансер» (красная стрелка), который по умолчанию не отображается, но его можно добавить, щелкнув ссылку над заголовком списка (не показана).( B ) Скриншот страницы списка генов PANTHER, когда пользователь отправляет файл VCF. Координаты вариантов перечислены в столбце Сопоставленные идентификаторы. PEREGRINE сопоставит варианты с энхансерами (столбец Enhancer), а также с геном(ами), которые регулируются энхансерами (столбец Gene ID).

Похожие статьи

  • PANTHER версии 14: больше геномов, новый PANTHER GO-slim и улучшения в инструментах анализа обогащения.

    Ми Х, Муругануджан А, Эберт Д, Хуанг Х, Томас П.Д. Ми Х и др. Нуклеиновые Кислоты Res. 8 января 2019 г .; 47 (D1): D419-D426. doi: 10.1093/nar/gky1038. Нуклеиновые Кислоты Res. 2019. PMID: 30407594 Бесплатная статья ЧВК.

  • PANTHER версии 11: расширены данные аннотаций из путей Gene Ontology и Reactome, а также усовершенствованы инструменты анализа данных.

    Ми Х, Хуанг Х, Муругануджан А, Тан Х, Миллс С, Кан Д, Томас П.Д.Ми Х и др. Нуклеиновые Кислоты Res. 4 января 2017 г .; 45 (D1): D183-D189. дои: 10.1093/нар/gkw1138. Epub 2016 29 ноября. Нуклеиновые Кислоты Res. 2017. PMID: 27899595 Бесплатная статья ЧВК.

  • PANTHER версии 7: улучшенные филогенетические деревья, ортологи и сотрудничество с консорциумом Gene Ontology.

    Ми Х., Донг К., Муругануджан А., Годе П., Льюис С., Томас П.Д. Ми Х и др.Нуклеиновые Кислоты Res. 38 января 2010 г. (проблема с базой данных): D204-10. doi: 10.1093/нар/gkp1019. Epub 2009 16 декабря. Нуклеиновые Кислоты Res. 2010. PMID: 20015972 Бесплатная статья ЧВК.

  • PANTHER: сделать филогенетику в масштабе генома доступной для всех.

    Томас П.Д., Эберт Д., Муругануджан А., Мушаяхама Т., Албоу Л.П., Ми Х. Томас П.Д. и др. Белковая наука. 2022 Январь; 31(1):8-22.doi: 10.1002/pro.4218. Epub 2021 25 ноября. Белковая наука. 2022. PMID: 34717010 Рассмотрение.

  • Краткий обзор программных инструментов для пангеномики.

    Сяо Дж, Чжан Цзи, У Дж, Ю Дж. Сяо Дж. и др. Геномика Протеомика Биоинформатика. 2015 Февраль;13(1):73-6. doi: 10.1016/j.gpb.2015.01.007. Epub 2015 23 февраля. Геномика Протеомика Биоинформатика. 2015. PMID: 25721608 Бесплатная статья ЧВК.Рассмотрение.

Цитируется

135 статьи
  • Структурные компоненты плазмодесм и их роль в передаче сигналов и развитии растений.

    Кирк П., Бенитес-Альфонсо Ю. Кирк П. и др. Методы Мол Биол. 2022;2457:3-22. doi: 10.1007/978-1-0716-2132-5_1.Методы Мол Биол. 2022. PMID: 35349130 Рассмотрение.

  • Альтернативный пейзаж коралловых рифовых рыб во время морской жары.

    Чан СКН, Суреш С., Мандей П., Раваси Т., Бернал М.А., Шунтер С. Чан СКН и др. Эколь Эвол. 2022 18 марта; 12 (3): e8738. doi: 10.1002/ece3.8738. Электронная коллекция 2022 март. Эколь Эвол. 2022. PMID: 35342554 Бесплатная статья ЧВК.

  • Библиометрический обзор перипартальной кардиомиопатии по сравнению с другими кардиомиопатиями с использованием искусственного интеллекта и машинного обучения.

    Гроссер М., Лин Х., Ву М., Чжан Ю., Типпер С., Вентер Д., Лу Дж., Дос Ремедиос К.Г. Гроссер М. и соавт. Biophys Rev. 2022 Feb 9;14(1):381-401. doi: 10.1007/s12551-022-00933-x. Электронная коллекция 2022 февраль. Биофиз, ред. 2022. PMID: 35340600 Рассмотрение.

  • Протеомные изменения в фолликулярной жидкости малых антральных фолликулов человека, собранных из поликистоза яичников — пилотное исследование.

    Пла И., Санчес А., Порс С.Е., Кристенсен С.Г., Аппельквист Р., Салин К.Б., Марко-Варга Г., Андерсен С.И., Мальм Дж. Пла I и др. Жизнь (Базель). 2022 8 марта; 12 (3): 391. doi: 10.3390/life12030391. Жизнь (Базель). 2022. PMID: 35330141 Бесплатная статья ЧВК.

  • Секвенирование РНК сэндвича эпителиальных клеток/фибробластных очагов при идиопатическом легочном фиброзе: новое понимание сигнального пути.

    Калабрезе Ф., Лунарди Ф., Тауро В., Пеццуто Ф., Фортарецца Ф., Ведовелли Л., Фаччоли Э., Балестро Э., Скьявон М., Эспозито Г., Вульжан С.Э., Жиродо К., Грегори Д., Ри Ф., Спаньоло П. Калабрезе Ф. и др. Int J Mol Sci. 2022 19 марта; 23 (6): 3323.дои: 10.3390/ijms23063323. Int J Mol Sci. 2022. PMID: 35328744 Бесплатная статья ЧВК.

использованная литература

    1. Томас П.Д., Кэмпбелл М.Дж., Кеджаривал А., Ми Х., Карлак Б., Даверман Р., Димер К., Муругануджан А., Наречания А.. PANTHER: библиотека семейств и подсемейств белков, индексированных по функциям.Геном Res. 2003 г.; 13:2129–2141. — ЧВК — пабмед
    1. Томас П.Д., Кеджаривал А., Го Н., Ми Х., Кэмпбелл М.Дж., Муругануджан А., Лазарева-Улицкий Б.. Применение данных об эволюции последовательности-функции белка: анализ экспрессии мРНК/белка и инструменты оценки кодирования SNP. Нуклеиновые Кислоты Res. 2006 г.; 34: W645–W650. — ЧВК — пабмед
    1. Ми Х., Muruganujan A., Huang X., Ebert D., Mills C., Guo X., Thomas PD. Обновление протокола для крупномасштабного анализа генома и функций генов с помощью системы классификации PANTHER (v.14.0). Нац. протокол 2019; 14: 703–721. — ЧВК — пабмед
    1. Эшбернер М., Болл К.А., Блейк Дж.А., Ботштейн Д., Батлер Х., Черри Дж.М., Дэвис А.П., Долински К., Дуайт С.С., Эппиг Дж.Т. и другие. .. Генная онтология: инструмент унификации биологии. Консорциум генных онтологий. Нац. Жене. 2000 г.; 25:25–29. — ЧВК — пабмед
    1. Консорциум Gene Ontology Ресурс Gene Ontology: 20 лет, и он все еще развивается.Нуклеиновые Кислоты Res. 2019; 47:D330–D338. — ЧВК — пабмед

Показать все 24 ссылки

Типы публикаций

  • Поддержка исследований, Н.И.Х., заочная
  • Поддержка исследований, правительство США, не-PHS

термины MeSH

  • Вычислительная биология / методы*
  • Энхансерные элементы, генетика / генетика*
  • Аннотация молекулярной последовательности
  • Открытые рамки для чтения / генетика

LinkOut — больше ресурсов

  • Полнотекстовые источники

  • Материалы исследований

  • Разное

[Икс]

Укажите

Копировать

Формат: ААД АПА МДА НЛМ

Справочник по API — scikit-learn 1.0.2 документация

utils.arrayfuncs.min_pos

Поиск минимального значения массива среди положительных значений

utils.as_float_array (X, *[, копировать, …])

Преобразование типа массива в массив чисел с плавающей запятой.

utils.assert_all_finite (X, *[, allow_nan])

Выдать ошибку ValueError, если X содержит NaN или бесконечность.

утилиз.Bunch (**kwargs)

Объект-контейнер, раскрывающий ключи как атрибуты.

utils.check_X_y (X, y[, accept_sparse, …])

Проверка входных данных для стандартных оценщиков.

utils.check_array (массив [, accept_sparse, …])

Проверка ввода массива, списка, разреженной матрицы и т.п.

utils.check_scalar (x, имя, target_type, *)

Проверить тип и значение скалярных параметров.

utils.check_consistent_length (*массивы)

Убедитесь, что все массивы имеют согласованные первые измерения.

utils.check_random_state (начальное число)

Превратить семя в экземпляр np.random.RandomState

утил.class_weight.compute_class_weight (…)

Оценка весов классов для несбалансированных наборов данных.

utils.class_weight.compute_sample_weight (…)

Оценка веса выборки по классам для несбалансированных наборов данных.

utils.deprecated ([дополнительно])

Декоратор, чтобы пометить функцию или класс как устаревшие.

утил.estimator_checks.check_estimator (оценщик)

Проверьте, соблюдает ли оценщик соглашения scikit-learn.

utils.estimator_checks.parametrize_with_checks (…)

Специальный декоратор Pytest для параметризации проверок оценщика.

utils.estimator_html_repr (оценщик)

Создание HTML-представления оценщика.

утил.extmath.safe_sparse_dot (a, b, *[, …])

Скалярное произведение, правильно обрабатывающее случай разреженной матрицы.

utils.extmath.randomized_range_finder (A, *, …)

Вычислить ортонормированную матрицу, диапазон которой приблизительно соответствует диапазону A.

utils.extmath.randomized_svd (M, n_components, *)

Вычисляет усеченный рандомизированный SVD.

utils.extmath.fast_logdet (А)

Вычислить log(det(A)) для A симметричного.

utils.extmath.density (w, **kwargs)

Вычисление плотности разреженного вектора.

utils.extmath.weighted_mode (a, w, * [, ось])

Возвращает массив взвешенных модальных (наиболее распространенных) значений в a.

утил.gen_batches (n, размер_пакета, *[, …])

Генератор для создания срезов, содержащих элементы batch_size, от 0 до n.

utils.gen_even_slices (n, n_packs, *[, n_samples])

Генератор для создания n_packs слайсов до n.

utils.graph.single_source_shortest_path_length (…)

Возвращает длину кратчайшего пути от источника ко всем достижимым узлам.

utils.indexable (*итерации)

Сделать массивы индексируемыми для перекрестной проверки.

utils.metaestimators.if_delegate_has_method (…)

Создание декоратора для методов, которые делегированы вспомогательному оценщику

utils.metaestimators.available_if (проверить)

Атрибут, который доступен, только если проверка возвращает истинное значение

утил.multiclass.type_of_target (г)

Определите тип данных, указанных целью.

utils.multiclass.is_multilabel (y)

Проверьте, имеет ли y формат с несколькими метками.

utils.multiclass.unique_labels (*ys)

Извлечь упорядоченный массив уникальных меток.

утил.мурмурхэш4_32

Вычислить 32-битный murmurhash4 ключа в начале.

utils.resample (*массивы[, заменить, …])

Повторная выборка массивов или разреженных матриц согласованным образом.

utils._safe_indexing (X, индексы, *[, ось])

Возврат строк, элементов или столбцов X с использованием индексов.

утил.safe_mask (X, маска)

Верните маску, которую можно безопасно использовать на X.

utils.safe_sqr (X, *[, копия])

Поэлементное возведение в квадрат массивоподобных и разреженных матриц.

utils.shuffle (*массивы[, random_state, n_samples])

Согласованное перемешивание массивов или разреженных матриц.

утил.sparsefuncs.incr_mean_variance_axis (X, …)

Вычислить инкрементальное среднее и дисперсию вдоль оси на матрице CSR или CSC.

utils.sparsefuncs.inplace_column_scale (X, масштаб)

Масштабирование столбцов матрицы CSC/CSR.

utils.sparsefuncs.inplace_row_scale (X, масштаб)

Масштабирование строк матрицы CSR или CSC на месте.

utils.sparsefuncs.inplace_swap_row (X, m, n)

Меняет местами две строки матрицы CSC/CSR.

utils.sparsefuncs.inplace_swap_column (X, m, n)

Меняет местами два столбца матрицы CSC/CSR.

utils.sparsefuncs.mean_variance_axis (X, ось)

Вычислить среднее значение и дисперсию по оси на матрице CSR или CSC.

utils.sparsefuncs.inplace_csr_column_scale (X, …)

Масштабирование столбцов матрицы CSR на месте.

utils.sparsefuncs_fast.inplace_csr_row_normalize_l1

Нормализация строки на месте с использованием нормы l1

utils.sparsefuncs_fast.inplace_csr_row_normalize_l2

Нормализация строк на месте с использованием нормы l2

утил.random.sample_without_replacement

Примеры целых чисел без замены.

utils.validation.check_is_fitted (оценщик)

Выполнение проверки is_fitted для средства оценки.

utils.validation.check_memory (память)

Убедитесь, что память похожа на joblib.Memory.

утил.validation.check_симметричный (массив, *[, …])

Убедитесь, что массив двумерный, квадратный и симметричный.

utils.validation.column_or_1d (y, *[, warn])

Столбец Ravel или массив 1d numpy, иначе возникает ошибка.

utils.validation.has_fit_parameter (…)

Проверьте, поддерживает ли метод подгонки оценщика данный параметр.

utils.all_estimators ([type_filter])

Получить список всех оценщиков от sklearn.

Классификация машины опорных векторов с использованием объектов API

В этом примере кода выполняется сквозная классификация SVM с использованием объектов ENVI API. Он выполняет следующие шаги:

  • Извлекает объект ENVIExamples из изображения атрибута и ROI обучающих данных.
  • Нормирует примеры к общему диапазону значений данных.
  • Перемешивает примеры для создания случайного распределения данных.
  • Разбивает примеры на наборы для обучения и оценки.
  • Использует итеративный обучающий модуль для обучения контролируемого классификатора SVM.
  • Строит профиль потерь.
  • Выводит матрицу путаницы и показатели точности из обученного классификатора.
  • Запускает классификатор.
  • Отображает классификационное изображение.

Выполните следующие шаги, чтобы запустить пример кода:

  1. Получите образцы файлов данных с нашей веб-страницы учебных пособий по ENVI или с DVD-диска с ресурсами ENVI в каталоге классификации. Скопируйте эти файлы на локальный диск.
  2. Скопируйте и вставьте код в редактор IDL.
  3. Обновите следующие строки, включив в них полный путь, по которому вы сохранили образцы данных:
    • file = ‘AttributeImage.dat’
    • ROIfile = ‘TrainingDataROIs.xml’
  4. Обновите следующую строку, указав полный путь для сохранения обученного классификатора:
    • classifierURI = ‘TrainedSVMClassifier.epo’
  5. Сохраните файл как SVMClassificationUsingObjects.pro.
  6. Скомпилируйте и запустите код.
 PRO SVMClassificationUsingObjects 
 COMPILE_OPT IDL2 
   
             
 е = ENVI() 
   
             
 файл = 'AttributeImage.дата 
 растр = e.OpenRaster(файл) 
   
             
 ROIfile = 'TrainingDataROIs.xml' 
 rois = e.OpenROI(ROIfile) 
   
             
 outExamples = ENVIExtractExamplesFromRaster(raster, rois) 
   
             
 normalizedExamples = ENVIApplyGainOffsetToExamples($
 outExamples, $
   OUTPUT_OFFSET=смещение, $
   OUTPUT_GAIN=усиление) 
 Печать, 'Усиление: ', усиление 
 Печать, 'Смещение:', смещение 
   
             
 shuffledExamples = ENVIShuffleExamples(normalizedExamples) 
   
             
 splitExamples = ENVISplitExamples(shuffledExamples, $
   SPLIT_FRACTION=0.8) 
   
             Классификатор 
 = ENVISVMClassifier($
   NATTRIBUTES=outExamples.NATTRIBUTES, $ 
   NCLASSES=outExamples.NCLASSES, $ 
   CLASS_NAMES=outExamples.CLASS_NAMES) 
   
             
 трейнер = ENVIIterativeTrainer($
   CONVERGENCE_CRITERION=0,0001, 
долл. США
   MAXIMUM_ITERATIONS=1) 
   
             
 ENVITrainClassifier, тренер, классификатор, splitExamples[0], $ 
   LOSS_PROFILE=профиль потерь 
   
             
 classifierURI = 'TrainedSVMClassifier.эпоха 
 classifier.Save, URI=classifierURI 
   
             
 путаницаMatrix = ENVIEvaluateClassifier(splitExamples[1], классификатор) 
   
             
 Печать, растерянностьMatrix.Confusion_Matrix 
   
             
Итоги столбцов = путаницаМатрица.Итоги столбцов() 
 FOR i=0, (outExamples.NCLASSES)-1 DO $ 
   Печать, 'Итоговая правда для ', $ 
   outExamples.CLASS_NAMES[i],': ', $ 
   columnTotals[i] 
   
             
 rowTotals = путаницаMatrix.RowTotals() 
 FOR i=0, (outExamples.NCLASSES)-1 DO $ 
   Печать, 'Прогнозируемая сумма для ', $ 
   outExamples.CLASS_NAMES[i],': ', $ 
   объемы строк[i] 
   
             
 точность = матрица путаницы.Точность() 
 Печать, «Общая точность:», точность 
 каппа = путаницаMatrix.KappaCoefficient() 
 Печать, 'Коэффициент каппа: ', каппа 
 CommissionError = путаницаMatrix.CommissionError() 
 Распечатайте, «Ошибка комиссии:», CommissionError 
 omissionError = путаницаMatrix.OmissionError() 
 Печать, 'Ошибка упущения:', omissionError 
 F1 = матрица путаницы.F1() 
 Печать, 'значение F1: ', F1 
 точность = путаницаMatrix.Precision() 
 Печать, «Точность:», точность 
 производительТочность = путаницаMatrix.ProducerAccuracy() 
 Print, 'Точность производителя:', productAccuracy 
 отзыв = путаницаMatrix.Recall() 
 Печать, «Отзыв:», отзыв 
 userAccuracy = матрица путаницы.Точность пользователя() 
 Печать, «Точность пользователя:», userAccuracy 
   
             
 normalizedRaster = ENVIGainOffsetRaster(растр, усиление, смещение) 
   
             
 classRaster = ENVIClassifyRaster (нормализованный растр, классификатор) 
   
             
 вид = e.GetView() 
 слой = вид.CreateLayer(растр) 
 слой 2 = вид.CreateLayer (классRaster) 
 просмотр.Масштаб, /FULL_EXTENT 
   
 КОНЕЦ 

Этот код сохраняет обученный классификатор в двоичный файл с именем TrainedSVMClassifier.epo. Вы можете применить этот классификатор к другим подобным наборам данных, которые имеют такие же атрибуты и представление данных. В следующем примере показано, как это сделать.

  1. Получите образцы файлов данных (AttributeImage2.dat и TrainingDataROIs.xml) с нашей веб-страницы учебных пособий по ENVI или с DVD-диска с ресурсами ENVI в каталоге классификации. Скопируйте этот файл на локальный диск.
  2. Скопируйте и вставьте приведенный ниже код в редактор IDL.
  3. Обновите следующие строки, включив в них полный путь к сохраненным данным примера:
    • file = ‘AttributeImage2.dat’
    • ROIfile = ‘TrainingDataROIs.xml’
  4. Обновите следующую строку, включив в нее полный путь сохранения обученного классификатора:
    • trainedClassifierURI = ‘TrainedSVMClassifier.ЭПО’
  5. Сохраните файл как ApplySVMtrainedClassifier.pro.
  6. Скомпилируйте и запустите код.

Совет: Классификационное изображение в этом примере перекрывается с изображением в первом примере. Пока приложение ENVI все еще открыто из первого примера, вы можете сравнить результаты там, где они пересекаются. Классификация в перекрывающейся области не будет точно такой же, потому что значения атрибутов различны для каждого изображения; однако результаты должны быть похожими.

 PRO ПрименитьSVMTrainedClassifier 
 COMPILE_OPT IDL2 
   
             
 е = ENVI() 
   
             
 файл = 'AttributeImage2.dat' 
 растр = e.OpenRaster(файл) 
   
             
             
 выигрыш = [0,68837909, 0,03
14, 1,3670539,
$
   1.2792631, 1.2774655, 1.0320982] 
 смещение = [-0,14015123, -0,13057724, -0,12848703, 
$
   -0,16770373, -0,18784684, -0,28932331] 
 normalizedRaster = ENVIGainOffsetRaster(растр, усиление, смещение) 
   
             
             
             
trainedClassifierURI = 'TrainedSVMClassifier.epo' 
trainedClassifier = ENVIRestoreObject(trainedClassifierURI) 
   
             
 classRaster = ENVIClassifyRaster (нормализованный растр, обученный классификатор) 
   
             
 числоклассов = classRaster.Метаданные['Классы'] 
 classNames = classRaster.Metadata['Имена классов'] 
   
             
 вид = e.GetView() 
 слой = вид.CreateLayer(растр) 
 слой2 = представление.CreateLayer(classRaster) 
 просмотр.Масштаб, /FULL_EXTENT 
   
 КОНЕЦ 

Дополнительно можно использовать функцию ENVICalculateConfusionMatrixFromRaster для оценки классификатора.Эта функция принимает растр классификации и обучающие области интереса, а также вычисляет матрицу путаницы и метрики точности. Добавьте следующие строки кода к предыдущему примеру кода после классификации изображения атрибута и перед отображением результатов. Обновите переменную ROIfile, указав полный путь, по которому вы сохранили образцы данных:

.
             
             
 ROIfile = 'TrainingDataROIs.xml' 
 rois = e.OpenROI(ROIfile) 
   
             
 растеризацияMatrix = ENVICalculateConfusionMatrixFromRaster($
   классRaster, rois) 
   
             
 Печать, матрица путаницы.Confusion_Matrix 
   
             
Итоги столбцов = путаницаМатрица.Итоги столбцов() 
 FOR i=0, (numClasses)-1 DO $ 
   Печать, 'Итоговая правда для ', $ 
   classNames[i],': ', $ 
   columnTotals[i] 
   
             
 rowTotals = путаницаMatrix.RowTotals() 
 FOR i=0, (numClasses)-1 DO $ 
   Печать, 'Прогнозируемая сумма для ', $ 
   classNames[i],': ', $ 
   объемы строк[i] 
   
             
 точность = матрица путаницы.Точность() 
 Печать, «Общая точность:», точность 
 каппа = путаницаMatrix.KappaCoefficient() 
 Печать, 'Коэффициент каппа: ', каппа 
 CommissionError = путаницаMatrix.CommissionError() 
 Распечатайте, «Ошибка комиссии:», CommissionError 
 omissionError = путаницаMatrix.OmissionError() 
 Печать, 'Ошибка упущения:', omissionError 
 F1 = матрица путаницы.F1() 
 Печать, 'значение F1: ', F1 
 точность = путаницаMatrix.Precision() 
 Печать, «Точность:», точность 
 производительТочность = путаницаMatrix.ProducerAccuracy() 
 Print, 'Точность производителя:', productAccuracy 
 отзыв = путаницаMatrix.Recall() 
 Печать, «Отзыв:», отзыв 
 userAccuracy = матрица путаницы.	

Добавить комментарий

Ваш адрес email не будет опубликован.