ПРОЄКТУВАННЯ АДАПТИВНИХ ДИСКРЕТНИХ МОДЕЛЕЙ ІЗ ЗАСТОСУВАННЯМ НЕЙРОННИХ МЕРЕЖ

Автор(и)

DOI:

https://doi.org/10.32782/IT/2025-1-13

Ключові слова:

R-функції, дискретна модель, машинне навчання, штучна нейронна мережа, генетичний алгоритм, популяція, фітнес-функція, схрещування, мутація, прогнозування.

Анотація

У сучасному машинобудуванні широке поширення отримали системи автоматизованого проєктування, які будують технологічні процеси з меншими витратами засобів та часу, збільшуючи точність спроєктованих процесів і програм обробки, що скоротить витрати матеріалів та час на обробку. Розвиток нових методів і моделей нейронних мереж дозволяє виконувати швидкі оцінки необхідних параметрів стану об’єктів. На практиці, моделі машинного навчання використовують для прогнозування значень параметрів стану конструкцій. Тому на даний час актуальне питання застосування нейронних мереж, їх структурна оптимізація, а саме, вибір необхідної кількості шарів, функцій активації, нейронів тощо. Дані заходи можуть виконуватися як вручну, за умови невеликої кількості параметрів, так і автоматично. Мета роботи полягає в розробці штучної нейронної мережі для побудови адаптивних дискретних моделей з використанням генетичного алгоритму, який може бути використаний в аеродинамічних структурах (моделювання аеродинамічного крила), інженерних задачах та машинобудуванні. Методологія. У даній статті розглянуто особливості побудови адаптивних дискретних моделей з використанням генетичного алгоритму для оптимізації параметрів нейронної мережі. Важливим етапом реалізації генетичних алгоритмів є вибір генетичних операторів: селекції, відбору, кросоверу, мутації. Визначення цих операторів впливає на ефективність методу в цілому. Наукова новизна дослідження полягає в реалізації нових методів та підходів в побудові геометричних моделей для автоматизації проєктувальних робіт з використанням нейронних мереж, а саме генетичного алгоритму. Для реалізації даного дослідження використовується модель побудована за допомогою R-функцій в послідовній побудові та за допомогою генетичного алгоритму, що відображає свої результати в порівняльній часовій характеристиці. Висновки. Дослідження показало, що побудова адаптивної дискретної моделі за допомогою генетичного алгоритму забезпечує збільшення точності та має часову ефективність. А отже, дане дослідження може бути корисним для вирішення інженерних задач, в машинобудуванні тощо.

Посилання

, Abambres M., Marcy M., Doz G. Potential of Neural Networks for Structural Damage Localization. ACI Avances En Ciencias E Ingenierías. 2018. 11, 2, 124–153. DOI: https://doi.org/10.31224/osf.io/rghpf

, Jin C., Jang, S., Sun, X. et. al. Damage Detection of a Highway Bridge under Severe Temperature Changes Using Extended Kalman Filter Trained Neural Network. Journal of Civil Structural Health Monitoring. 2016. 6, 3, 545–560.

, Onur Avci P. O., Abdeljaber A. O. Self-Organizing Maps for Structural Damage Detection: A Novel Unsupervised Vibration-Based Algorithm. Journal of Performance of Constructed Facilities. 2016. 30, 3, 1–11.

, Li K., Liu W., Zhao K., Shao M., Liu L. A Novel Dynamic Weight Neural Network Ensemble Model. International Journal of Distributed Sensor Networks. 2015. 11, Article ID 862056, 13 p. DOI: https://doi.org/10.1155/2015/862056

, Tao S. Deep Neural Network Ensembles. 2019. Retrieved from: https://arxiv.org/abs/1904.05488

, Mengchu Song, Xinxin Zhang, Morten Lind. Automatic identification of maintenance significant items in reliability centered maintenance analysis by using functional modeling and reasoning. Computers & Industrial Engineering. 2023. Volume 182. P. 1–9

, Amorim L., Goveia T., Mesquita R., Baratta I. J. Microwaves. GPU Finite Element Method Computation Strategy Without Mesh Coloring. Optoelectronics and Electromagnetic Applications. 2020. Vol. 19. No. 2. P. 252–264.

Chen Xu, Ba Trung Cao, Yong Yuan, Günther Meschke. Transfer learning based physics-informed neural networks for solving inverse problems in engineering structures under different loading scenarios. Computer Methods in Applied Mechanics and Engineering. 2023. Volume 405.

Bulat A. F., Dyrda V. I., Grebenyuk S. M., Klymenko M. I. Numerical Simulation of Viscoelastic Deformation of Rubber Shock Absorbers Based on the Exponential Law. Strength of Materials. 2022. № 54(5). P. 776–784.

Suchocki C., Jemiolo S. On Finite Element Implementation of Polyconvex Incompressible Hyperelasticity: Theory, Coding and Applications. Int. J. of Computational Methods. 2020. Vol. 17. No 8. 1950049.

Zhou H., Pu J., Chen, Y. Data-driven forward–inverse problems for the variable coefficients Hirota equation using deep learning method. Nonlinear Dyn 111, 2023. 14667–14693. https://doi.org/10.1007/s11071-023-08641-1

Ming Z., Zhenya Y. Data-driven forward and inverse problems for chaotic and hyperchaotic dynamic systems based on two machine learning architectures, Physica D: Nonlinear Phenomena, 2023. Volume 446, 133656, https://doi.org/10.1016/j.physd.2023.133656

##submission.downloads##

Опубліковано

2025-04-30