Кафедра "Математичне моделювання та інтелектуальні обчислення в інженерії"

Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/1366

Офіційний сайт кафедри http://web.kpi.kharkov.ua/dpm

Від 2022 року кафедра має назву "Математичне моделювання та інтелектуальні обчислення в інженерії", первісна назва – "Динаміка та міцність машин".

Iсторія кафедри починається в 1930 році, коли в нашому університеті, що називався тоді Харківський механіко-машинобудівний інститут, була створена спеціальність "Динаміка і міцність машин".

Засновниками спеціальності були видатні вчені: академіки Йоффе Абрам Федорович, Обреїмов Іван Васильович, Синельников Кирило Дмитрович, професор Бабаков Іван Михайлович. В різні роки кафедрою завідували: член-корреспондент АН УРСР Майзель Вениамин Михайлович (1936-1941); академік АН УРСР Філіппов Анатолій Петрович (1948-1960), професор, доктор технічних наук, лауреат Державної премії України Богомолов Сергій Іванович (1960-1991); професор, доктор технічних наук, академік АН вищої школи України Львов Геннадій Іванович (1992-2020). Від 2020 року і по теперішній час завідувач кафедри – лауреат премії Президента України для молодих вчених за видатні досягнення, доцент, кандидат технічних наук Водка Олексій Олександрович.

Кафедра входить до складу Навчально-наукового інституту комп'ютерного моделювання, прикладної фізики та математики Національного технічного університету "Харківський політехнічний інститут". Наукова школа з динаміки і міцності машин, створена в нашому університеті, широко відома у світі.

У складі науково-педагогічного колективу кафедри працюють; 2 доктора технічних наук, 7 кандидатів технічних наук, 1 доктор філософії; 2 співробітника мають звання професора, 5 – доцента.

Переглянути

Фільтри

2016 - 201932020 - 20211

Налаштування

Автор: search.filters.author.Водка, Олексій ОлександровичКлючові слова: search.filters.subject.computer modeling

Результати пошуку

Зараз показуємо 1 - 4 з 4
  • Ескіз
    Публікація
    Застосування методів штучного інтелекту для апроксимації механічної поведінки гумоподібних матеріалів
    (Національний технічний університет "Харківський політехнічний інститут", 2021) Погребняк, Сергій Віталійович; Водка, Олексій Олександрович
    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.
  • Ескіз
    Публікація
    Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі
    (Національний лісотехнічний університет України, 2018) Погребняк, Сергій Віталійович; Водка, Олексій Олександрович
    У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.
  • Ескіз
    Публікація
    Особливості обробки результатів експерименту за допомогою штучної нейронної мережі
    (НТУ "ХПІ", 2017) Погребняк, Сергій Віталійович; Водка, Олексій Олександрович
    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. 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. В статті детально описується тип мережі та її топологія, метод навчання і підготовки навчаючої вибірки, також описано математично. В результаті проведеної роботи було збудоване та протестоване програмне забезпечення з використанням штучної нейронної мережі та визначена її похибка.
  • Ескіз
    Публікація
    Розробка комп’ютерної системи для обробки результатів експерименту за допомогою штучної нейронної мережі
    (НТУ "ХПІ", 2016) Погребняк, Сергій Віталійович; Водка, Олексій Олександрович
    Нейронні мережі знайшли своє використання в різних сферах комп’ютерного моделювання, в тому числі і в механіці. Вони часто використовуються, так як дають високу точність, швидкість і гнучкість роботи. Метою роботи є створення програмного забезпечення з використанням елементів штучного інтелекту, для апроксимації та інтерполяції експериментальних даних. Програмне забезпечення повинно коректо працювати, мати простий інтерфейс та видавати результати з мінімальною похибкою. Методом рішення 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 перевірки мережі на коректність роботи та визначення величини похибки відповіді мережі,проводилась перевірка на відомих даних які не використовувалися для навчання, так им методом була проведена незалежна оцінка і визначена точність відповіді мережі та знайдена оптимальна зона роботи мережі. В статті детально описується тип мережі та її топологія, кількість вхідних та вихідних і прихованих нейронів, типи функції активації, способи навчання і підготовки навчаючої вибірки, описані математично. В результаті проведеної роботи була збудована та протестоване пр ограмне забезпечення з використанням штучних нейронних мереж, визначена величина похибки і зона її оптимальної роботи.