Please use this identifier to cite or link to this item: http://repository.kpi.kharkov.ua/handle/KhPI-Press/55918
Title: Застосування методів штучного інтелекту для апроксимації механічної поведінки гумоподібних матеріалів
Other Titles: The use of artificial intelligence methods for approximation of the mechanical behavior of rubber-like materials
Authors: Погребняк, Сергій Віталійович
Водка, Олексій Олександрович
Keywords: штучна нейрона мережа; комп’ютерне моделювання; artificial neural network; computer modeling
Issue Date: 2021
Publisher: Національний технічний університет "Харківський політехнічний інститут"
Citation: Погребняк С. В. Застосування методів штучного інтелекту для апроксимації механічної поведінки гумоподібних матеріалів / С. В. Погребняк, О. о. Водка // Вісник Національного технічного університету "ХПІ". Сер. : Системний аналіз, управління та інформаційні технології = Bulletin of the National Technical University "KhPI". Ser. : System analysis, control and information technology : зб. наук. пр. – Харків : НТУ "ХПІ", 2021. – № 2 (6). – С. 95-99.
Abstract: 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 коректні 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.
In the XXI century, neural networks are widely used in various fields, including computer simulation and mechanics. This popularity is due to the fact that they give high precision, work fast and have a very wide range of settings. The purpose of creating a software product using elements of artificial intelligence, for interpolation and approximation of experimental data. The software should work correctly, and yield results with minimal error. The disadvantage of using mathematical approaches to calculating and predicting hysteresis loops is that they describe unloading rather poorly, thus, we obtain incorrect data for calculating the stress-strain state of a structure. The solution tool use of elements of artificial intelligence, but rather neural networks of direct distribution. The neural network of direct distribution has been built and trained in this work. It has been trained with a teacher (a teacher using the method of reverse error propagation) based on a learning sample of a pre-experiment. Several networks of different structures were built for testing, which received the same dataset that was not used during the training, but was known from the experiment, thus finding a network error in the amount of allocated energy and in the mean square deviation. The article describes in detail the mathematical interpretation of neural networks, the method for training them, the previously conducted experiment, structure of network that was used and its topology, the training method, preparation of the training sample, and the test sample. As a result of the robots carried out, the software was tested in which an artificial neural network was used, several types of neural networks with different input data and internal structures were built and tested, the error of their work was determined, the positive and negative sides of the networks that were used were formed.
ORCID: orcid.org/0000-0003-1612-3075
orcid.org/0000-0002-4462-9869
DOI: doi.org/10.20998/2079-0023.2021.02.15
URI: http://repository.kpi.kharkov.ua/handle/KhPI-Press/55918
Appears in Collections:Вісник № 02. Системний аналіз, управління та інформаційні технології
Кафедра "Динаміка та міцність машин"

Files in This Item:
File Description SizeFormat 
visnyk_KhPI_2021_2_SAUI_Pohrebniak_Zastosuvannia.pdf991,85 kBAdobe PDFView/Open
Show full item record  Google Scholar



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.