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 - 201962020 - 20233

Налаштування

Ключове слово: search.filters.subject.програмне забезпечення

Результати пошуку

Зараз показуємо 1 - 9 з 9
  • Ескіз
    Документ
    Розробка комп'ютерної системи автоматизації побудови викрійки одягу людини
    (Національний технічний університет "Харківський політехнічний інститут", 2018) Сенютич, А. С.; Ларін, Олексій Олександрович
  • Ескіз
    Документ
    Розробка програмного забезпечення для комп'ютерної симуляції випадкового пошкодження на трубопроводі
    (Національний технічний університет "Харківський політехнічний інститут", 2018) Момот, Є. Б.; Ларін, Олексій Олександрович
  • Ескіз
    Документ
    Концептуальне та логічне проектування реляційних баз даних
    (2023) Мартиненко, Геннадій Юрійович
    У посібнику викладено основні теоретичні положення та практичні підходи до проектування реляційних баз даних. Наведено докладні відомості щодо призначення і використання технології моделювання даних у процесі проектування реляційної бази даних та розглянуто три основні етапи проектування баз даних – концептуальне, логічне та фізичне проектування. Основну увагу приділено методології логічного проектування бази даних, тобто створенню логічної моделі, за допомогою методів нормалізації відношень та побудови діаграм "сутність-зв'язок". Розглянуто декілька практичних прикладів створення логічних моделей баз даних в різних предметних областях. Наведено завдання за варіантами для самостійного виконання студентами. Призначено для студентів спеціальностей 122 "Комп'ютерні науки" та 113 "Прикладна математика".
  • Ескіз
    Документ
    Розробка комп’ютерної системи для дослідження пружніх властивостей двохкомпонентних полікристалічних матеріалів
    (Національний технічний університет "Харківський політехнічний інститут", 2017) Болотова, В. О.; Водка, Олексій Олександрович
  • Ескіз
    Документ
    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
    Документ
    Розробка методів комп'ютерного синтезу та аналізу характеристик матеріалів неоднорідної структури
    (Таврійський національний університет ім. В. І. Вернадського, 2018) Водка, Олексій Олександрович; Панаріна, Олеся Дмитрівна
    Метою роботи є розроблення програмного забезпечення для моделювання мікроструктури металів. Розроблено програмне забезпечення з використанням методу кліткових автоматів, який на основі випадковим чином заданих центральних точок, ядер зерен дає змогу отримати повну картину процесу кристалізації металу. Отримані результати порівняні із уже відомими результатами, отриманими іншими методами.
  • Ескіз
    Документ
    Методичні вказівки до виконання індивідуальних завдань комп'ютерного практикуму на Python з курсу "Математична статистика"
    (2020) Ларін, Олексій Олександрович; Суханова, Ольга Ігорівна
    Сучасна підготовка студентів з математичної статистики потребує викладання матеріалу багатьох питань, в тому числі, питання описової статистики та статистичної діагностики. Лабораторний практикум проводиться на мові Python. Python – інтерпретована об'єктно-орієнтована мова програмування високого рівня. (Найчастіше вживане прочитання – "Пайтон", запозичено назву з британського шоу Монті Пайтон [Wikipedia]). Пропонується використовувати пакет бібліотек та компілятор з дистрибутиву Anaconda та проводити розробку в середовищі PyCharm. Anaconda – дистрибутив для мов програмування Python та R з відкритим кодом для обробки даних великого об'єму, побудови аналітичних прогнозів і наукових обчислень [Wikipedia]. PyCharm – інтегроване середовище розробки для мови програмування Python. Надає засоби для аналізу коду, графічний зневаджувач, інструмент для запуску юніт-тестів і підтримує веб-розробку на Django. PyCharm розроблена чеською компанією JetBrains на основі IntelliJ IDEA [Wikipedia]. Для виконання лабораторного практикуму необхідно завантажити та встановити на комп’ютері: Anaconda 5.0.0 for Windows Installer (Python 3.6 version (https://www.anaconda.com/download/) та PyCharm Community Edition (https://www.jetbrains.com/pycharm/).
  • Ескіз
    Документ
    Структурне програмування
    (2020) Ларін, Олексій Олександрович; Шаповалова, Марія Ігорівна
  • Ескіз
    Документ
    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.