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

Результати пошуку

Зараз показуємо 1 - 10 з 21

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.
Методичні вказівки до лабораторної роботи "Згинні коливання пластин"
(Національний технічний університет "Харківський політехнічний інститут", 2020) Водка, Олексій Олександрович; Трубаєв, Олександр Іванович; Ульянов, Юрій Миколайович; Місюра, Сергій Юрійович
Методичні вказівки призначені для виконання лабораторної роботи з курсу «Динаміка машин» для здобувачів спеціальності 113 «Прикладна математика». У методичних вказівках розглянуто згинні коливання круглої і квадратної пластин. Методом скінченних елементів розраховано частоти та форми коливань пластин вказаного класу. Експериментально визначені частоти і форми вільних коливань круглої і квадратної пластин. Проведене порівняння результатів двома методами, що показало хорошу збіжність отриманих частот. Реалізовані підходи дають можливість досліджувати динамічні характеристики пластин інших конфігурацій і можуть бути використані для оцінки точності інших підходів.
Розробка програмного забезпечення для моделювання та візуалізації мікроструктури матеріалу методом клітинних автоматів
(Національний технічний університет "Харківський політехнічний інститут", 2023) Водка, Олексій Олександрович; Шаповалова, Марія Ігорівна; Розова, Людмила Вікторівна; Гріцкова, Валерія Іванівна; Корж, Анастасія Сергіївна; Мітясов, Нікіта Олександрович; Семененко, Олег Сергійович; Скринник, Катерина Юріївна; Чепела, Юлія Володимирівна
Мікроструктури, як організація та розташування матеріалів на мікроскопічному рівні, мають суттєвий вплив на властивості та поведінку матеріалів, тому відіграють важливу роль для багатьох наукових і технічних галузях. Важливість синтезу внутрішньої структури полягає в можливості аналізу та вивчення взаємодії між елементами матеріалу, а також визначення оптимальних параметрів для досягнення бажаних властивостей. Дослідження та відтворення мікроструктур сприяють розробці нових матеріалів з унікальними властивостями в різних галузях, включаючи електроніку, авіацію, медицину та енергетику. Одним із ключових напрямків розвитку технології є візуалізація мікроструктур, яка дозволяє перетворити складні дані про внутрішню будову на зрозумілі візуальні моделі, спрощуючи аналіз та інтерпретацію. У роботі описано інформаційну систему "MaterialViz", яка дозволяє детально вивчати структуру матеріалу. Вона включає зручний інструментарій для аналізу та дослідження структурних характеристик матеріалів, а також можливість тривимірної візуалізації даних, що покращує розуміння структури та взаємодії його елементів. Користувачам надається можливість збереження та завантаження результатів досліджень, що сприяє зручності роботи та співпраці з іншими дослідниками. Використання додатку можливе в різних галузях, включаючи матеріалознавство, металургію, енергетику, електроніку та біомедицину, допомагаючи дослідникам оптимізувати та розробляти нові матеріали з покращеними характеристиками. Загалом, комп'ютерний застосунок "MaterialViz", є потужним інструментом для аналізу та вивчення структури матеріалів, що допомагає здійснювати глибокий аналіз та отримувати цінні візуальні висновки. Розроблена інформаційна система, призначена для комп'ютерного моделювання мікроструктур матеріалу за допомогою ряду методів імовірнісних клітинних автоматів. Реалізовані чотири типи алгоритми росту кристалів, що вирішує поставлені завдання та відповідає всім вимогам.
Використання методів машинного навчання у задачах прогнозування механічної поведінки матеріалів
(Національний технічний університет "Харківський політехнічний інститут", 2022) Бабуджан, Руслан Андрійович; Водка, Олексій Олександрович; Шаповалова, Марія Ігорівна
Визначення поверхні пластичності гетерогенного матеріалу на основі аналізу статистично еквівалентної мікроструктури
(Національний технічний університет "Харківський політехнічний інститут", 2020) Шаповалова, Марія Ігорівна; Водка, Олексій Олександрович
Компьютерные методы моделирования синтетической структуры высокопрочного чугуна для статистической оценки его механических свойств и прочностных характеристик
(2020) Шаповалова, Мария Игоревна; Водка, Алексей Александрович
Один из методов извлечения графических изображений расположенных на одном листе
(2018) Шаповалова, Мария Игоревна; Водка, Алексей Александрович
Разработка алгоритмов сегментации изображений, полученных в результате оцифровки фотокаталогов
(Національний технічний університет "Харківський політехнічний інститут", 2017) Шаповалова, Мария Игоревна; Водка, Алексей Александрович
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.
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.