Экспертные системы, базы знаний, алгоритмы
и программное обеспечение в материаловедении

Введение
 

Экспертные системы (ЭС), наиболее типичная реализация искусственного интеллекта, используются в различных областях науки и техники.1-3 Например, банки применяют системы искусственного интеллекта при принятии решения о выдаче кредита. В страховом бизнесе ЭС используют для оценки рисков и при расчете вероятности реализации конкретных страховых случаев. В играх на бирже ЭС прогнозируют изменение цен на финансовые активы. Специализированный экспертные системы широко используются при распознавании текста и речи, в медицинской диагностике, спам фильтрах и системах противовоздушной обороны.

Важной особенностью экспертных систем является их способность к самообучению, которая связана с непрерывным процессом обнаружения знаний и интеллектуальным анализом данных. Именно поэтому первым компонентом экспертной системы должна быть база знаний. В целом, процесс создания базы знаний состоит из следующих этапов:

 

  • формирование выборки данных с информацией, относящейся к проблеме;
  • очистки данных для устранения ошибок и недостоверной информации из выборки;
  • преобразование данных в формат, понятный компьютеру;
  • выполнение статистического анализа, который включает поиск ассоциативных правил, а также кластеризацию, классификацию и регрессионный анализ данных;
  • толкование и оценка результатов анализа данных с целью извлечения корреляций (знаний).

На следующем этапе на основании корреляций и правил базы знаний можно попытаться найти новые знания. Для этой цели должен быть создан анализатор данных, так называемая машина вывода.

В химии первые экспертные системы были созданы достаточно давно и были одни из первых экспертных систем.4,5 В кристаллографии и кристаллохимии только сейчас создаются отдельные фрагменты машины вывода, которые могли бы обеспечить экспертное заключение о возможности и способах получения новых кристаллических материалов.6-15 В то же время, существующие квантовые-механические программные пакеты можно считать фрагментами будущих экспертных систем, так как они дают возможность прогнозировать некоторые параметры структур в процессе их кристаллического дизайна.16-18 Очевидно, быстро растущий объем структурной информации на сей момент достиг такого уровня, что его систематизация и использование стали востребованы, а экспертные системы предназначены для решения именно таких задач.

Искусственный интеллект в дизайне кристаллов

В настоящее время имеется огромное количество экспериментальных кристаллографических данных, большинство из которых получено с высокой точностью. Очевидно, что эти данные содержат много общих законов или частных закономерностей, которые могут быть применены для прогнозирования кристаллических структур. По аналогии с Мотеруэллом,19 можно сказать, что кристаллографические базы данных содержат много ответов, но проблема в том, чтобы задавать правильные вопросы. Экспертные системы должны решить эту проблему. Они должны быть в состоянии извлечь знания из экспериментальных данных и применить их для анализа существующих кристаллических структур, а также для предсказания новых соединений.

Если человека эксперта спросить, какие координационные полимеры могут быть получены из данного набора комплексообразующих атомов металла и лигандов, или, что за укладка молекул может быть реализована для данного их вида, то эксперт сначала уточнит детали, потом использует свои знания и опыт, а также дополнительные источники информации и, лишь после этого даст некоторые рекомендации. Он никогда не скажет что-то однозначно определенное, а будет использовать такие фразы, как «Я полагаю …», «скорее всего …» и т.д.

Шаги по созданию экспертной системы

Как создать экспертную систему для дизайна кристаллов? Нашим основным направлением исследования является анализ топологических свойств кристаллических структур, так как это та область, в которой достигнут существенный прогресс в последние годы. Тем не менее общая схема остается той же для прогнозирования любого типа структурных параметров.

Поиск новых структурных дескрипторов

Любая структурная корреляция существует между некоторыми параметрами, которые могут быть как численными, так и текстовыми. Любой параметр можно рассматривать как значения некоторого структурного дескриптора, поэтому, чем более разнообразен рассматриваемый набор надежных дескрипторов, тем больше возможностей для нахождения значимых корреляций между параметрами. Под словом «значимые» мы имеем в виду, что дескриптор адекватно отражает некоторые структурные свойства и приспособлен для компьютерного анализа. Любой дескриптор может быть получен либо из экспериментально доступных данных, либо в результате математического моделирования. Очевидно, что первая группа дескрипторов самая надежная, большая и хорошо известная, хотя дескрипторы, рассчитанные из первых принципов, становятся все более и более популярными в последние 20 лет благодаря прогрессу квантово-механических и других вычислительных методов.

Наверное, первый известный и кристаллохимический дескриптор был атомный радиус; в 20 веке предпринято много усилий, чтобы найти лучшую систему атомных радиусов, которая была бы применима к различным классам соединений. Другой известный дескриптор – валентное усилие, также имеет почти вековую историю. Эти примеры показывают, как трудно найти надежный универсальный дескриптор.

Первые общеизвестные структурные дескрипторы хорошо описывают локальное окружение атомов, что позволило найти много стереохимических корреляций, составляющих теоретические основы современной кристаллохимии. В то же время, локальные параметры не могут однозначно охарактеризовать архитектуру всей структуры. Чтобы соответствовать требованиям дизайна кристаллов нужен набор глобальных дескрипторов, которые характеризуют особенности структуры, как единого целого. Следует отметить, что прошло много времени с тех пор как были опубликованы пионерские работы, в которых рассмотрена общая топология структуры, пока не были предложены первые глобальные дескрипторы. Так Уэллс ввел20-22 в кристаллохимию понятие периодической сетки и даже использовал дескриптор, который сейчас называются точечным символом,23 для характеристики общей топологии, но им так и не было предложено какого-либо строгого метода описания сеток. Почти в то же время, Китайгородский обратил внимание24 на топологию молекулярных упаковок, характеризуя их молекулярным координационным числом, т.е. локальным дескриптором. Упаковки атомов, а также ионных матриц25 были изучены с самого начала кристаллографической эпохи, но опять-таки основными классификационными дескрипторами выступали атомный номер, координация и связывание многогранников. В результате, сетки, а также атомные и молекулярные упаковки описывались до конца 20-го века с помощью визуального анализа, хотя такой анализ субъективен, часто приводит к ошибочным выводам и не может быть использован для описания кристаллических структур со сложной топологией.

Основные достижения последних лет

В 2000-х, были изобретены новые дескрипторы,26-29 которые позволяют охарактеризовать общую топологию сетки, что сразу же привело к серии обзоров, посвященных классификации координационных сеток,30 молекулярных упаковок31 и ионных матриц.32 Следует отметить важную тенденцию: дескрипторы становятся менее ориентированы на человека и более приспособлены к их компьютерной обработке. В частности, такие характеристики топологии сетки, как Systre ключ26 или вершинный символ23 не могут быть рассчитаны вручную для любой более или менее сложной структуры из-за вычислительных трудностей.

Поиск новых локальных и общих топологических дескрипторов является ключевой проблемой при анализе структурных данных. Любой новый надежный дескриптор позволяет найти много новых корреляций. Например, недавно,33-36 мы успешно использовали символ координации лиганда, координационную формулу, и молекулярный символ связанности в качестве эффективных дескрипторов локальной координации лигандов или молекул. Был предложен и новый локальный дескриптор, координационная фигура,30,37,38 но так как метод нахождения этого дескриптора пока не формализован, он может быть определен на сей момент только при визуальном анализе кристаллической структуры. Еще одним важным шагом является создание дескрипторов, включающих в себя информацию о химическом составе всей сетки, а также ее отдельных структурных единиц.

Основные нерешенные задачи

Общие задачи
 

  1. Разработка алгоритмов и программного обеспечения для машины вывода экспертной системы, обеспечивающей запрос и обработку информации для предсказания структуры и свойств твердых веществ.
  2. Разработка базы знаний экспертной системы, содержащей информацию о корреляциях между химическим составом и топологическими свойствами кристаллических структур 1-, 2- и 3-периодических координационных полимеров. Тестирование экспертной системы по предсказанию структур 1-, 2- и 3-периодических координационных полимеров.
  3. Разработка базы знаний экспертной системы, содержащей информацию о корреляциях между химическим составом и топологическими свойствами молекулярных кристаллов.
  4. Разработка эвристических алгоритмов и процедур расчета физических свойств материалов, исходя из данных о геометрических и топологических свойствах их структур; интеграция этих процедур в экспертную систему.
  5. Интеграция алгоритмов и методов геометрико-топологического анализа и квантовомеханического моделирования твердых тел; разработка программного интерфейса между экспертной системой и пакетами программ для квантовохимических расчетов.
  6. Создание вычислительного комплекса, который объединяет экспертную систему и квантовохимические пакеты, для предсказания физических свойств материалов различной природы как на качественном, так и на количественном уровне.
  7. Разработка части экспертной системы, позволяющей прогнозировать топологические свойства молекулярных кристаллов, исходя из их химического состава.

Наши задачи
 

  1. Поиск в TTD-коллекции топологии кристаллической структуры, удаленно рассчитанной пользователем с помощью программы ToposPro и направленной на сервер в виде nnt-файла.
  2. Поиск в коллекции (указана в скобках) набора идентификационных кодов кристаллических структур, в которых встречаются заданные пользователем топологический тип (TTO), молекула (TTM), лиганд (TTL) или кластерный фрагмент (TTN).
  3. Реализация TTO, TTL, TTM, TTN, TTF (фингерпринты) коллекций в виде реляционной базы данных и использование их для дизайна 1-, 2- и 3-периодических координационных полимеров.
  4. Создание базы структурных данных топологических образцов и клиентского приложения для работы с этой базой.
  5. Поиск набора идентификационных кодов кристаллических структур, в которых реализуется заданный пользователем тип невалентного взаимодействия.
  6. Создание базы знаний о характеристиках полиэдров Вороного атомов металлов в структуре металлоорганических каркасов.
  7. Поиск в базе знаний корреляций между геометрико-топологическими свойствами кристаллических структур и сохранение найденных корреляций в базе правил.
  8. Использование TTD, TTO, TTL, TTM и TTN коллекции для дизайна 1-, 2- и 3-периодических координационных полимеров.

Методы реализации

Интеллектуальной является та система, которая обладает знаниями и умеет использовать их для достижения, возможно даже нечетко, сформулированной цели. Знания – это основополагающий фактор, без которого интеллектуальная система не может существовать.

Экспериментальные исследования в области теоретической кристаллохимии являются важ­ными с точки зрения их применения в смежных областях, занимающихся изучением свойств химических веществ и соединений, а также в наукоемких отраслях промышленно­сти, заинтересованных в практической реализации результатов. Для этого исследователям, проводящим эксперимент, необходимо получать и обрабатывать достоверную и полную информацию о химических объектах различной природы и их, прогнозируемых или исследуемых свойствах. Поэтому компьютерным специалистам, главной целью которых является разработка, анализ и применение алгоритмов предлагаются задачи из области вычислительной химии, кристаллохимического анализа, структурной химии и других смежных дисциплин, заинтересованных в поиске неформализованного решения проблем связанных с обработкой и анализом ассоциированной с проблемой информации. В этой связи важным фактором при проведении вычислительных экспериментов является практическое применение различного класса экспертных систем, использующих методы искусственного интеллекта, ориентированных на решение неформализованных задач с применением принципов системного анализа, теории графов, классической логики, теории множеств, прикладной комбинаторики. Основной задачей экспертной системы такого рода является формирование среды информационного накопления представляющей собой формализованные эмпирические знания высококвалифицированных специалистов, применяемые в дальнейшем для процессов диагностики, прогнозирования или идентификации в каких-либо узких предметных областях химических наук.

Что мы предлагаем:

Для решения практических задач в узкоспециализированных областях химии применяющих методы компьютерного моделирования для анализа физических свойств различного класса веществ, прогнозирования механизма формирования кристаллической структуры, поиска и идентификации структурных закономерностей общего характера мы предлагаем использование разрабатываемой программной платформы TOPOS-EXPERT, которая будет сочетать в себе следующие компоненты и технологии.

 

Экспертная система – это программное средство, предназначенное для определения и вывода возможных направлений качественных способов решения проблем напрямую связанных с использованием узкоспециализированных знаний экспертов в области кристаллографии и структурной химии. Фундаментом для нее будет служить база знаний, содержащая набор стратегических правил и алгоритмов, применение которых в совокупности с уникальными данными о структуре и свойствах химических веществ, сделает возможным построение наиболее удачной формализации поставленных задач.

 

Универсальная модель хранения данных (UDM). Это технология, позволяющая описывать и хранить данные любой сложности и любого типа, вне зависимости от сферы их применения. Такой подход к представлению данных делает возможным описывать модели не только предметной области но и модели самой экспертной системы, т.е. определять границы компетентности, того что экспертная система знает и чего не знает. Это позволит использовать при принятии решения не поверхностные представления, а глубинные знания, ассоциированные с теоретическими выкладками в различных предметных областях химии, которые необходимо будет привлечь для формирования общей стратегии решения проблемы.

 

Сервис-ориентированная архитектура (SOA). Это модульный подход к разработке программного обеспечения, при котором компоненты уровня сервиса проектируются таким образом, что имея согласованные общие интерфейсы, они используют единые правила (контракт) взаимодействия друг с другом. Данная технология обеспечивает широкий спектр мощных возможностей для повышения способности системы, построенной по принципу SOA, поставлять необходимые для расчетов и публикации данные в нужное место, в нужное время и в нужной форме. Кроме того, экспертная система, основанная на идеологии сервис-ориентированного подхода, может быть спроектирована в виде масштабируемой комплексной программной платформы, обеспечивающей интеграцию с другими системами, повышая тем самым свою ценность как информационной системы способной работать со сторонними данными содержащими информацию о структуре материалов или их физических свойствах.

 

Интеграционная сервисная шина (SIB). Это программное обеспечение, позволяющее объединить произвольное число платформ и приложений, на основе сервисов. При этом технологии, на которых реализованы сервисы не будут иметь значения. Сервисная шина, спроектированная с учетом принципов SOA, позволит адекватно реагировать на меняющиеся требования адаптации к интерфейсам уже существующих или вновь появляющихся сторонних систем химического анализа, а так же предоставит стандартизированные способы организации межпрограммного и межсистемного взаимодействия на всех уровнях вплоть до уровня сервисов расчетов, представления данных или диспетчеризации.

О чем мы думаем:

Универсальная модель данных
 

Качественные и количественные показатели экспертных систем могут быть значительно улучшены за счет использования метазнаний, т.е. знаний о знаниях. Метазнания не представляют некоторую единую сущность, они могут применяться для достижения различных целей. Возможными назначениями метазнаний могут быть:

 

  1. Использование метазнаний в виде стратегических метаправил для выбора релевантных правил.
  2. Использование метазнаний для обоснования целесообразности применения правил из экспертной области.
  3. Обнаружение с использованием метаправил синтаксических и семантических ошибок в правилах предметной области.
  4. Адаптация к окружению предметной области на основе метаправил путем перестройки правил и функций предметной области.
  5. Применение метаправил для явного указания возможностей и ограничений экспертной системы.

Для того чтобы экспертная система могла управлять процессом поиска решения, была способна приобретать новые знания и объяснять свои действия, она должна уметь не только использовать свои знания, но и обладать способностью их классифицировать, иными словами понимать. Т.е. экспертная система должна иметь знания о том, как представлены ее знания о проблемной среде конкретной предметной области. Обеспечение такого подхода возможно лишь с использованием универсальной модели данных как подсистемы отвечающей за хранение неструктурированных данных с применением объектно-ориентированного способа представления информации.

Мы ставим перед собой задачу создания программного средства позволяющего описывать и хранить данные любой сложности. Предлагаемый программный инструмент, позволяющий манипулировать объектными данными (сущностями и их атрибутами, погруженными в систему в соответствии с универсальной моделью данных) должен удовлетворять следующим требованиям:

 

  1. Операционная полнота. Поддержка всех возможных операций над данными объектов (вставка, удаление, обновление, выборка).
  2. Универсальность. Не допускается привязка к контексту конкретной предметной области, а так же к диалекту языка описания ее сущностей, если таковой имеется.
  3. Минимизация количества запросов для передачи объектной информации о метаданных.
  4. Гибкость. Возможность адаптации функциональности подсистемы к специфическим сервисным функциям предоставляемых СУБД.
  5. Удобство сопряжения. В область нашего внимания попадает не только сама подсистема хранения, но и смежные с ней компоненты обеспечения доступа к данным извне.

Интеграционная сервисная шина

При применении приложений химического анализа, расчетов и обработки данных как частей интеграционной шины спроектированной на базе сервис-ориентированной архитектуры мы планируем формализовать и разработать  систему управления бизнес-процессами которые будут определять порядок взаимодействия с внешними и внутренними сервисами, а
также UI-приложениями.

112

Происходящие на основе обмена стандартизированными сообщениями, в рамках конкретного бизнес-процесса, взаимодействия будут включать в себя логику анализа и расчетов, а так же порядок выполнения сценариев исполнения задач, обработка которых может осуществляться за пределами периметра интеграционной сервисной шины, определяя тем самым долговременную, транзакционную, многошаговую модель потока работ.

Сервис-ориентированная архитектура, будет реализована по технологии Web-сервисов которые с учетом их слабой связности между собой, независимости от конкретных приложений и единообразного интерфейса доступа обеспечат:

 

  1. Необходимую адаптивность инфраструктуры среды исполнения.
  2. Независимость от конкретной вычислительной платформы.
  3. Независимость от применяемых языков программирования.
  4. Сокращение издержек при реализации дополнительных компонентов за счет упорядочивания процесса разработки.
  5. Повышение уровня масштабируемости и управляемости подсистем исполнения и интеграции приложений.

Список основных литературных источников и интернет-ресурсов

  1. L. F. Pau, J. Motiwalla, Y. H. Pao and H. H. Teh, Expert Systems in Economics, Banking, and Management, North-Holland, Amsterdam, 1989;
  2. P. Jackson, Introduction to Expert Systems, 3rd ed., Addison-Wesley, 1999;
  3. M. Schmitt, H.-N. Teodorescu, Ashlesha Jain, Ajita Jain and S. Jain, Computational Intelligence Processing in Medical Diagnosis, Springer-Verlag, 2002.
  4. M. C. Hemmer. Expert Systems in Chemistry Research, CRC Press; Boca Raton, FL: 2008;
  5. P. Judson, Knowledge-Based Expert Systems in Chemistry: Not Counting on Computers, RSC Publishing, Cambridge, UK, 2009.
  6. F. H. Allen, Acta Crystallogr., 2002, B58, 380;
  7. A. Belsky, M. Hellenbrandt, V. L. Karen and P. Luksch, Acta Crystallogr., 2002, B58, 364;
  8. J. Chisholm, E. Pidcock, J. van de Streek, L. Infantes, W. D. S. Motherwell and F. H. Allen, CrystEngComm, 2006, 8, 11;
  9. S.P. Ong, S. Cholia, A. Jain, M. Brafman, D. Gunter, G. Ceder and K.A. Persson, Comp. Mat. Sci., 2015, 97, 209;
  10. P. T. A. Galek, F. H. Allen, L. Fábián and N. Feeder, CrystEngComm, 2009, 11, 2634;
  11. P. A. Wood, N. Feeder, M. Furlow, P. T. A. Galek, C. R. Groom and E. Pidcock, CrystEngComm, 2014, 16, 5839;
  12. M. Klintenberg and O. Eriksson, Comp. Mat. Sci., 2013, 67, 282;
  13. J. G. P. Wicker and R. I. Cooper, CrystEngComm, 2015, DOI: 10.1039/C4CE01912A;
  14. S. Curtarolo, G. L. W. Hart, M. Buongiorno-Nardelli, N. Mingo, S. Sanvito and O. Levy, Nature Mater., 2013, 12, 191;
  15. O. Isayev, D. Fourches, E. N. Muratov, C. Oses, K. Rasch, A. Tropsha and S. Curtarolo, Chem. Mater., 2015, DOI: 10.1021/cm503507h.
  16. A. R. Oganov and C. W. Glass, J. Chem. Phys., 2006, 124, 244704;
  17. Q. Zhu, V. Sharma, A. R. Oganov and R. Ramprasad, J. Chem. Phys. 2014, 141, 154102;
  18. G. Ceder, D. Morgan, C. Fischer, K. Tibbetts and S. Curtarolo, MRS Bull., 2006, 31, 981.
  19. W. D. S. Motherwell, Cryst. Rev., 2008, 14, 2, 97.
  20. A. F. Wells, Acta Cryst., 1954, 7, 535-544;
  21. A. F. Wells, Three-Dimensional Nets and Polyhedra, New York, Interscience, 1977;
  22. A. F. Wells, Further Studies of Three-dimensional Nets, ACA monograph 8, 1979.
  23. V. A. Blatov, D. M. Proserpio and M. O’Keeffe, CrystEngComm, 2010, 12, 44.
  24. A. I. Kitaigorodskii, Molecular Crystals and Molecules, Academic Press, New York, 1973.
  25. M. O’Keeffe and B. G. Hyde, Struct. Bond. 1985, 61, 77.
  26. O. Delgado-Friedrichs and M. O’Keeffe, Acta Cryst., 2003, A59, 351;
  27. V. A. Blatov, L. Carlucci, G. Ciani and D. M. Proserpio, CrystEngComm, 2004, 6, 377;
  28. M. O’Keeffe, M. A. Peskov, S. J. Ramsden and O. M. Yaghi, Acc. Chem. Res., 2008, 41, 1782;
  29. E. V. Alexandrov, V. A. Blatov and D. M. Proserpio, Acta Crystallogr., 2012, A68, 484.
  30. N. W. Ockwig, O. Delgado-Friedrichs, M. O’Keeffe and O. M. Yaghi, Acc. Chem. Res., 2005, 38, 176.
  31. I. A. Baburin and V. A. Blatov, Acta Cryst., 2007, B63, 791.
  32. V. A. Blatov, Struct. Bond., 2011, 138, 31.
  33. T. G. Mitina and V. A. Blatov, Cryst. Growth Des., 2013, 13, 1655;
  34. F. Aman, A. M. Asiri, W. A. Siddiqui, M. N. Arshad, A. Ashraf, N. S. Zakharov and V. A. Blatov, CrystEngComm, 2014, 16, 1963;
  35. P. N. Zolotarev, M. N. Arshad, A. M. Asiri, Z. M. Al-amshany and V. A. Blatov, Cryst. Growth Des., 2014, 14, 1938;
  36. O. A. Blatova, A. M. Asiri, Z. M. Al-amshany, M. N. Arshad and V. A. Blatov, New J. Chem., 2014, 38, 4099.
  37. O. Delgado-Friedrichs, M. O’Keeffe and O. M. Yaghi, Phys. Chem. Chem. Phys., 2007, 9, 1035;
  38. M. O’Keeffe, Phys. Chem. Chem. Phys., 2010, 12, 8580.

Наиболее интересные свежие публикации

  1. E. V. Alexandrov, V. A. Blatov, A. V. Kochetkov and D. M. Proserpio, CrystEngComm, 2011, 13, 3947.
  2. O. M. Yaghi, M. O’Keeffe, N. W. Ockwig, H. K. Chae, M. Eddaoudi and J. Kim, Nature, 2003, 423, 705.
  3. V. A. Blatov, Struct. Chem., 2012, 23, 955.
  4. L. Öhrström and K. Larsson, Molecule based Materials: The Structural Network Approach, Elsevier, Amsterdam, 2005;
  5. L. Carlucci, G. Ciani, D. M. Proserpio and N. Champness, in Making Crystals by Design: Methods, Techniques and Applications, eds. D. Braga and F. Grepioni, Wiley-VCH, Weinheim, 2007, ch. 1.3, ch. 2.4;
  6. S. R. Batten, S. M. Neville and D. R. Turner, Coordination Polymers: Design, Analysis and Application, Royal Society of Chemistry, Cambridge, 2009.
  7. I. A. Baburin and V. A. Blatov, Acta Cryst. 2004, B60, 447.
  8. V. A. Blatov, A. P. Shevchenko and D. M. Proserpio, Cryst. Growth Des., 2014, 14, 3576; http://topospro.com.

Конференции и школы, которые должны состояться в ближайшем будущем

  1. Современные системы искусственного интеллекта и их приложения в науке, III Всероссийская Интернет — конференция с международным участием, Pax Grid, Казань, ул.Липатова 3а.
    http://www.paxgrid.ru/conference/index.php?c=ai2015
  2. EuCO-CC 2015 10th European Conference on Computational Chemistry, FULDA ∙ Germany, August 31 – September 3, 2015.
    www.euco-cc-2015.org.
  3. 3rd International Congress on Nanoscience & Nanotechnology (ICNT2015) Istanbul, Turke. July 2, 2015 — July 3, 2015.
    http://www.icnt2015pfk.org/
  4. Nanotechnology and Materials Science, April 13-15, 2015, Dubai, UAE.
    http://scientificfuturegroup.com/nanotechnology-2015/index.html
  5. School of Chemical Engineering and Advanced Materials, Faculty of Science, Agriculture and Engineering, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom.
    http://www.ncl.ac.uk/ceam/staff/profile/julian.morris.