Інформаційна система для визначення напруженно-деформованого стану конструкції із еластомерів на основі нeйромережевої моделі

Abstract

У роботі представлено інформаційну систему для визначення механічних характеристик еластомерних матеріалів на основі інтеграції штучних нейронних мереж із класичними методами чисельного аналізу. Запропоновано гібридний підхід, у межах якого нейромережевий модуль виконує апроксимацію експериментальної кривої навантаження-розвантаження, включно з ефектом Маллінса. Отриманий прогноз напружено-деформованої відповіді використовується у поєднанні з ітераційним алгоритмом Ньютона-Рафсона для обчислення дотичного модуля пружності за умови відсутності аналітичних похідних. Для забезпечення чисельної стійкості реалізовано механізм контролю ітераційного кроку, обмеження корекції деформації та систему локального відновлення значень у разі розбіжності, що унеможливлює поширення помилок на весь розрахунок. Архітектура застосунку побудована як кросплатформне настільне середовище на основі PySide6, що поєднує інструмент інтерактивного редагування структури скінченно-елементної моделі, динамічну валідацію даних та підтримку топологічної цілісності завдяки використанню патерну делегування. Передбачені серіалізація й десеріалізація у форматі CSV, включно з перевіркою коректності полів, автоматичним приведенням типів і відновленням порожніх комірок, що забезпечує відтворюваність результатів та обмін моделями між користувачами без втрати інформації. Результат роботи представлені у вигляді графічної візуалізації деформованого стану конструкції та детального аналітичного звіту, який містить переміщення і реакції вузлів, внутрішні зусилля, деформаційні характеристики елементів і отримані ефективні значення модулів пружності. Запропонована система забезпечує високу стабільність і демонструє практичну придатність під час моделювання еластомерів із вираженою нелінійною поведінкою. Отримані результати підтверджують перспективність поєднання машинного навчання та класичних методів механіки для подальшого розвитку сучасних інструментів інженерного аналізу.

This work presents an information system designed to determine the mechanical characteristics of elastomeric materials through the integration of artificial neural networks with classical numerical analysis methods. A hybrid framework is proposed in which a neural network module approximate the experimental loading-unloading curve, including the Mullins effect as a key manifestation of material hysteresis. The predicted stress-strain response is incorporated into an iterative Newton-Raphson scheme to compute the tangent modulus of elasticity in the absence of analytical derivatives. Numerical stability is ensured by implementing an adaptive step-control mechanism, constraints on deformation corrections, and a local recovery procedure that prevents the propagation of divergence throughout the global solution. The system architecture is implemented as a cross-platform desktop application based on PySide6, combining interactive editing of the finite-element model structure, dynamic data validation, and maintenance of topological consistency through the delegation pattern. The model supports serialization and deserialization in CSV format, including field validation, automatic type conversion, and restoration of empty entries, thereby enabling reproducible calculations and reliable model exchange between users. The outputs of the system include both a graphical representation of the deformed structural configuration and a detailed analytical report containing nodal displacements and reactions, internal forces, strain measures, and resulting effective elastic moduli. The proposed system provides high computational stability and demonstrates practical applicability for modelling elastomers with pronounced nonlinear behaviour. The results highlight the potential of combining machine learning with classical mechanical techniques to advance modern tools for the engineering analysis.