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

2021 - 20222

Налаштування

ORCID: search.filters.orcid.https://orcid.org/0000-0001-5765-9234

Результати пошуку

Зараз показуємо 1 - 2 з 2
  • Ескіз
    Публікація
    Application of computational intelligence methods for the heterogeneous material stress state evaluation
    (Національний університет "Одеська політехніка", 2022) Babudzhan, Ruslan A.; Vodka, Oleksii O.; Shapovalova, Mariia I.
    The use of surrogate models provides great advantages in working with computer-aided design and 3D modeling systems, which opens up new opportunities for designing complex systems. They also allow us to significantly rationalize the use of computing power in automated systems, for which response time and low energy consumption are critical. This work is devoted to the creation of a surrogate model for approximating the finite element solution of the problem of dispersion–strengthened composite plane sample deformation. An algorithm for constructing a parametric two–dimensional model of a composite is proposed. The calculation model is created using the ANSYS Mechanical computer-aided design and analysis program using the APDL scripting model builder. The parameters of the stress-strain state of the material microstructure are processed using a convolutional neural network. A neural network based on the U–Net architecture of the encoder-decoder type has been created to predict the distribution of equivalent stresses in the material according to the sample geometry and load values. A direct sequence of layers is taken from the specified architecture. To increase the speed and stability of training, the type of part of the convolutional layers has been changed. The architecture of the network consists of serially connected blocks, each of which combines layers such as convolution, normalization, activation, subsampling, and a latent space that connects the encoder and decoder and adds load data. To combine the load vector, such a neural network architecture as a concatenator is created, which additionally includes the Dense, Reshape and Concatenate layers. The model loss function is defined as the root mean square error over all points of the source matrix, which calculates the difference between the actual value of the target variable and the value generated by the surrogate model. Optimization of the loss function is performed using the first–order gradient local optimization method ADAM. The study of the model learning process is illustrated by plots of loss functions and additional metrics. There is a tendency for the indicators to coincide between the training and validation sets, which indicates the generalizing capability of the model. Analyzing the output of the model and the value of the metrics, a conclusion is made about the sufficient quality of the model. However, the values of the network weights after training are still not optimal in terms of minimizing the loss function. And also, to accurately reproduce the solution of the finite element method (FEM), the proposed model is quite simple and requires clarification. The speed comparison of obtaining results by the FEM and using the architecture of the neural network is proposed. The surrogate model is significantly ahead of the FEM and is used to speed up calculations and determine the overall quality of the approximation of problems of mechanics of this type.
  • Ескіз
    Публікація
    Використання методів машинного навчання для бінарної класифікації робочого стану підшипників за сигналами їх віброприскорення
    (Національний технічний університет "Харківський політехнічний інститут", 2021) Бабуджан, Руслан Андрійович; Ісаєнков, Костянтин Олександрович; Красій, Данило Максимович; Водка, Олексій Олександрович; Задорожний, Іван В'ячеславович; Ющук, Михайло Вікторович
    В роботі досліджується зв’язок між віброприскоренням підшипників з їх робочим станом. Для визначення цих залежностей було побудовано випробувальний стенд та проведено 112 експериментів з різними підшипниками: 100 підшипників, у яких під час експлуатації розвинувся внутрішній дефект та 12 підшипників без дефекту. З отриманих записів було сформовано набір даних, який використовувався для побудови класифікатору та знаходиться у вільному доступі. Був запропонований метод для класифікації нових та використаних підшипників, що полягає у пошуку залежностей та закономірностей сигналу за допомогою описових функцій: статистичних, ентропій, фрактальних розмірностей та інших. Окрім обробки самого сигналу, також використовувалося частотне представлення сигналу роботи підшипників для доповнення простору ознак. У роботі було перевірено можливість узагальнення класифікації для її застосування на тих сигналах, які не були отримані під час лабораторних експериментів. Сторонній набір даних було знайдено у вільному доступі. Цей набір даних був використаний для того, щоб визначити, наскільки точним буде класифікатор, який навчався та тестувався на істотно різних сигналах. Навчання та валідація проводилась методом бутсрапування для викорінення ефекту випадковості з огляду на малий об’єм наявних даних для навчання. Для оцінки якості класифікаторів було використано F1-міру, як основну метрику, через незбалансованість наборів даних. В якості моделей класифікатору були обрані наступні алгоритми машинного навчання з вчителем: логістична регресія, метод опорних векторів, випадковий ліс та метод найближчих сусідів. Результати представлені в вигляді графіків густини розподілу та діаграм.