ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ НАПРУЖЕНО-ДЕФОРМОВАНОГО СТАНУ КРУГЛОЇ ПЛАСТИНКИ
DOI:
https://doi.org/10.32782/KNTU2618-0340/2021.4.2.2.20Ключові слова:
машинне навчання, штучна нейронна мережа, алгоритм генерації, напружено-деформований стан, пластинка, прогнозуванняАнотація
Штучні нейронні мережі застосовуються у різноманітних сферах, пов’язаних з обробкою інформації. Наприклад, в таких галузях як: розпізнавання образів, задачі оптимізації, теорія керування, вирішення інженерних задач проектування, екстраполяція та прогнозування. Існує велика кількість програмного забезпечення, що використовує можливості технологій штучних нейронних мереж. У сучасному виробництві широке поширення одержали системи автоматизованого проектування, які дозволяють проектувати технологічні процеси з меншими витратами часу та засобів, зі збільшенням точності спроектованих процесів і програм обробки. Розробка методів і моделей машинного навчання дозволяє робити швидкі оцінки необхідних параметрів стану об’єкту. З практичної точки зору моделі машинного навчання для прогнозування значень параметрів стану конструкції можуть слугувати як інтерактивні асистенти у процесі проектування. Одним із актуальних питань застосувань нейронних мереж є їх структурна оптимізація, тобто, вибір оптимальної кількості шарів, нейронів, функцій активації тощо. У даній роботі розглянуто використання машинного навчання для прогнозування напружено-деформованого стану круглої пластинки. Розроблено алгоритм генерації параметрів круглої пластинки. Побудовано модель штучної нейронної мережі для прогнозування напружено-деформованого стану круглої пластинки. Тестову вибірку, яка містить можливі стани пластинки у залежності від геометричних і фізико-механічних параметрів, побудовано з використанням аналітичних формул і методу скінченних елементів. Побудовано моделі навчання на базі штучних нейронних мереж. Побудовані моделі дозволяють прогнозувати прогин у центрі пластинки, а також максимальне значення інтенсивності напружень за Мізесом. Основною перевагою штучної нейронної мережі є швидкість прогнозування. Обчислення необхідних характеристик відбувається майже миттєво (мілісекунди). Отже, «натреновані» штучні нейронні мережі можуть слугувати як інтерактивні помічники у процесі проектування.
Посилання
Abambres M., Marcy M., Doz G. Potential of Neural Networks for Structural Damage Localization engrXiv. 2018. Р. 3–26. URL: https://engrxiv.org/rghpf/ DOI: 10.31224/osf.io/rghpf.
Abambres M., Corrêa R., A. P. da Costa, F. Simões F. Potential of neural networks for maximum displacement predictions in railway beams on frictionally damped foundations engrXiv. 2019. Р. 2–31.URL: https://engrxiv.org/m3b7j/ DOI: 10.31224/osf.io/m3b7j/
Abambres M., Rajana K., Tsavdaridis K., Ribeiro T. Neural Network-based formula for the buckling load prediction of I-section cellular steel beams engrXiv. 2018. Р. 2–17. URL: https://engrxiv.org/wg7hd/ DOI: 10.31224/osf.io/wg7hd.
Onur Avci P. O., Abdeljaber A . O . S elf-Organizing Maps for Structural Damage Detection: A Novel Unsupervised Vibration-Based Algorithm. Journal of Performance of Constructed Facilities. 2016. Vol. 30. Iss. 3. P. 1–11.
Зеленцов Д. Г. Нейронные сети как средство повышения точности и эффективности решения задач оптимизации. Комп’ютерне моделювання: аналіз, управління оптимізація. 2018. № 2. С. 18–26.
Мазуров В. Д. Математические методы распознавания образов : уч.пособие, 2-е изд. Екатеринбург : Урал. ун-т, 2010. 101 c.
Hany Sallam, Carlo S. Regazzoni, Ihab Talkhan, and Amir Atiya. Evolving neural networks ensembles nnes. IAPR Workshop on Cognitive Information Processing, 2008. P. 142–147.
Jin C., Jang S, Sun X., Li J., Christenson R. Damage detection of a highway bridge under severe temperature changes using extended Kalman filter trained neural network Journal of Civil Structural Health Monitoring. 2016. Vol. 6. P. 545–560.
Тимошенко С.П., Войновский-Кригер С. Пластинки и оболочки. 1966. С. 66–72.URL: pnu.edu.ru/media/filer_public/2013/04/10/5-5_timoshenko_1966.pdf
