ЗАСТОСУВАННЯ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ АПРОКСИМАЦІЇ МЕХАНІЧНОЇ ПОВЕДІНКИ ГУМОПОДІБНИХ МАТЕРІАЛІВ
DOI:
https://doi.org/10.20998/2079-0023.2021.02.15Ключові слова:
штучна нейрона мережа, комп’ютерне моделювання, штучний інтелект, апроксимація, інтерполяція, програмне забезпеченняАнотація
У ХХІ сторіччі нейронні мережі широко використовуються в різних сферах, в тому числі в комп’ютерному моделюванні і в механіці. Така
популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Мета роботи
створення програмного продукту з використанням елементів штучного інтелекту, для інтерполяції та апроксимації експериментальних
даних. Програмне забезпечення повинно коректно працювати, та давати результати з мінімальною похибкою. Недоліком використання
математичних підходів до обчислення та прогнозування петель гістерезису є те шо вони досить погано описують розвантаження, таким
чином отримуємо не коректі данні для розрахунків напружено-деформованого стану конструкції. Інструментом вирішення було
використання елементів штучного інтелекту, а точніше нейронних мереж прямого поширення. В роботі збудована та навчена нейронна
мережа прямого поширення. Вона була навчена вчителем (вчитель з використанням метода зворотного розповсюдження похибки) на основі
навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, які
отримували на вхід однаковий набір даних який не використовувався при навчанні, але був відомий з експерименту, таким чином була
знайдена похибка мережі за кількістю виділеної енергії та за середньо-квадратичним відхиленням. У статті детально описується
математична інтерпретація нейронних мереж, спосіб їх навчання, попередньо проведений експеримент, архітектура мережі та її топологія,
метод навчання, підготовки навчаючої вибірки та вибірки тестування. В результаті проведеної роботи було збудоване та протестоване
програмне забезпечення в якому використовувалась штучна нейронної мережа, було побудовано та протестоване декілька типів нейронних
мереж з різними вхідними даними та внутрішніми структурами, визначені їх похибки, сформовані позитивні та негативні якості мереж які
використовувались.
Посилання
Milton E. T., James F. B., James E. R., John W. B. FSCBG: An Aerial Spray Dispersion Model for Predicting the Fate of Released Material Behind Aircraft. Environmental Toxicology and Chemistry. 1993, vol. 12, no. 3, pp. 453–464.
Furukawa T., Hoffman M. Accurate cyclic plastic analysis using a neural network material model. Engineering Analysis with Boundary Elements. 2004, vol. 28, issue 3, pp. 195–204.
Elnashai A. S., Ambraseys N. N. Development of Neural Network Based Hysteretic Models for Steel Beam-Column Connections Through Self-Learning Simulation. Journal of Earthquake Engineering. 2007, vol. 11, pp. 453–467.
Kruglov V. V., Borisov V. V. Iskusstvennye nejronnye seti. Teoriya i praktika [Artificial neural networks. Theory and practice]. Moscow, Gorachaia Linia-Telecom Publ., 2002. 382 p.
Shtuchnij nejron [Artificial neuron]. URL: https://uk.wikipedia.org/wiki/%D0%A8%D1%82%D1%83%D1%8 7%D0%BD%D0%B8%D0%B9_%D0%BD%D0%B5%D0%B9%D 1%80%D0%BE%D0%BD (accessed 20.10.2021)
Fogel L., Owens A., Walsh M. Iskusstvennyj intellekt i evolyucionnoe modelirovanie [Artificial intelligence and evolutionary modeling]. Moscow, Mir Publ., 1969. 230 p.
Rosenblatt F. Principy nejrodinamiki. Perceptrony i teoriya mekhanizmov mozga [Principles of Neurodynamics. Perceptrons and the Theory of Brain Mechanisms]. Moscow, Mir Publ., 1965. 480 p.
Chto takoe iskusstvennye nejronnye seti? [What are artificial neural networks?]. URL: https://habrahabr.ru/post/134998 (accessed 20.10.2021)
Algoritm zvorotnogo rozpovsyudzhennya pohibki [Error backpropagation algorithm]. URL: http://www.aiportal.ru/articles/neural-networks/backpropagation.html (accessed 10.10.2021)
Vybor funkcii aktivacii i obuchenie nejronnoj seti [Choice of neural network activation and learning function]. URL: http://monographies.ru/ru/book/section?id=2465 (accessed 22.10.2021)
Larin O., Petrova Yu., Mateichyk V. Two-scale approach to modelling of pneumatic tyres. Systems and means of motor transport. Selected problems. Monographia № 4. Seria: Transport. Rzeszow, Politechnika Pzeszowska Im. Ignacego Lukasiewicza Publ., 2013, pp. 123–128.
Larin O., Barkanov E., Petrova I. Experimental observations of orthotropic elastic and viscoelastic characteristics of the elastomeric textile reinforced composites. Innovative solutions in repair of gas and oil pipelines. Sofia, Bulgarian Society for destructive testing Publishers, BAS Publ., 2016, pp. 192–203.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
ЛіцензіяАвтори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
