Розробка та верифікація фізично-інформованих нейронних мереж в інформаційних системах для моделювання механічного відгуку гіпереластичних конструкцій

Abstract

Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 «Комп’ютерні науки». – Національний технічний університет «Харківський політехнічний інститут», Харків, 2026. Об’єктом дослідження є процес деформування гіпереластичних матеріалів. Предметом дослідження є метод, моделі та інформаційні технології побудови фізично-інформованих нейронних мереж для моделювання нелінійної механічної поведінки гіпереластичних матеріалів та створенню інформаційної системи інженерного аналізу з інтегрованим нейромережевим модулем. Дисертацію присвячено вирішенню науково-практичної задачі – розробці методів побудови та використання фізично-інформованих нейронних мереж для моделювання нелінійної механічної поведінки гіпереластичних матеріалів, а також створенню інформаційної системи інженерного аналізу з інтегрованим нейромережевим модулем. Запропонований підхід передбачає поєднання експериментальних даних, методів машинного навчання та фізичних закономірностей механіки деформованого тіла, що дозволяє підвищити точність апроксимації складних нелінійних залежностей «напруження-деформація» та забезпечити узгодженість отриманих результатів із фундаментальними фізичними законами.

Thesis for obtaining the Doctor of Philosophy scientific degree in Specialty 122 “Computer Science”. – National Technical University “Kharkiv Polytechnic Institute”, Kharkiv, 2026. Object of research is the deformation process of hyperelastic materials. Subject of research comprises methods, models, and information technologies for the development of physics-informed neural networks intended for modeling the nonlinear mechanical behavior of hyperelastic materials, as well as the design of an engineering analysis information system with an integrated neural-network computational module. The dissertation is devoted to solving a scientific and applied problem concerning the development of methods for constructing and applying physics-informed neural networks for modeling the nonlinear mechanical behavior of hyperelastic materials, as well as the creation of an engineering analysis information system with an integrated neural-network module. The proposed approach combines experimental data, machine learning methods, and physical principles of continuum mechanics, which makes it possible to improve the accuracy of approximating complex nonlinear stress-strain relationships and to ensure consistency of the obtained results with fundamental physical laws.