Особливості обробки результатів експерименту за допомогою штучної нейронної мережі

S. Pogrebnyak, O. Vodka

Анотація


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. 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. В статті детально описується тип мережі та її топологія, метод навчання і підготовки навчаючої вибірки, також описано математично. В результаті проведеної роботи було збудоване та протестоване програмне забезпечення з використанням штучної нейронної мережі та визначена її похибка.

Ключові слова


штучна нейрона мережа; комп’ютерне моделювання; штучний інтелект; апроксимація; інтерполяція; програмне забезпечення

Повний текст:

PDF

Посилання


Bowers J.R., Rafferty J.K., Barry J.W. FSCBG: An Aerial Spray Dispersion Model for Predicting the Fate of Released Material Behind Aircraft. Environmental Toxicology and Chemistry, Vol. 12, No. 3, 1993. PP. 453-464.

Furukawa T., Hoffman M. Engineering Analysis with Boundary Elements. 28 (2004). PP. 195-204.

Elnashai A.S., Ambraseys N.N. Development of Neural Network Based Hysteretic Models for Steel Beam-Column Connections Through Self-Learning Simulation // Journal of Earthquake Engineering, 11:453–467, 2007

Rozenblatt F. Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms. Moscow: Mir, 1965. 480 p.

Lau K.M., Chan S.M., Xu L. Comparison of the Hopfield scheme to the hybrid of Lagrange and transformation approaches for solving the travelling salesman problem. Proceedings of Intelligence in Neural and Biological Systems, 1995.

Available at: https://uk.wikipedia.org/wiki/%D0 %A8%D1%82%D1%83%D1%87%D0%BD%D0%B8%D0%B9_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD (accessed: 20.10.2016).

Available at: https://habrahabr.ru/post/134998/ BD (accessed: 10.11.2016).

Available at: http://www.aiportal.ru/articles/neural-networks/back-propagation.html (accessed: 10.11.2016).

Available at: http://monographies.ru/ru/book/ section?id=2465 (accessed : 22.10.2016).

Fogel' L., Ouens A., Uolsh M. Iskusstvennyj intellekt i evolyucionnoe modelirovanie. Moscow: Mir, 1969.

Smolin D.V. Vvedenie v iskusstvennyj intellekt: konspekt lekcij. Moscow: 2004. 208 p.

Kruglov V.V., Borisov V.V. Iskusstvennye nejronnye seti. Teoriya i praktika. 2-e izd. 2002.

Rutkovskaya D. i dr. Nejronnye seti, geneticheskie algoritmy i nechetkie sistemy. 2006.

Zhang Z., Klein P., Friedrich K. Dynamic mechanical properties of PTFE based short carbon fibre reinforced composites: experiment and artificial neural network prediction. Composites Science and Technology. 2002. Vol. 62. No 7. PP. 1001-1009. http://dx.doi.org/10.1016/S0266-3538(02)00036-2.

Bahrami A., Anijdan S. H. M., Ekrami A. Prediction of mechanical properties of DP steels using neural network model. Journal of alloys and compounds. 2005. Vol. 392, No 1. PP. 177-182. http://dx.doi.org/10.1016/j.jallcom.2004.09.014.

Sterjovski Z. et al. Artificial neural networks for modelling the mechanical properties of steels in various applications. Journal of Materials Processing Technology. 2005. Vol. 170, No 3. PP. 536-544. http://dx.doi.org/10.1016/j.jmatprotec.2005.05.040.

Malinov S., Sha W., McKeown J. J. Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural network. Computational materials science. 2001. Vol. 21. No 3. PP. 375-394. http://dx.doi.org/10.1016/S0927-0256(01)00160-4.

Okuyucu H., Kurt A., Arcaklioglu E. Artificial neural network application to the friction stir welding of aluminum plates. Materials & design. 2007. Vol. 28. No 1. PP. 78-84. http://dx.doi.org/10.1016/j.matdes.2005.06.003.

Zhang Z., Friedrich K. Artificial neural networks applied to polymer composites: a review. Composites Science and technology. 2003. Vol. 63. No 14. PP. 2029-2044. http://dx.doi.org/10.1016/S0266-3538(03)00106-4.

Zhou C. C., Yin G. F., Hu X. B. Multi-objective optimization of material selection for sustainable products: artificial neural networks and genetic algorithm approach. Materials & Design. 2009. Vol. 30. No 4. PP. 1209-1215. http://dx.doi.org/10.1016/j.matdes.2008.06.006.

McBride J., Malinov S., Sha W. Modelling tensile properties of gamma-based titanium aluminides using artificial neural network. Materials Science and Engineering: A. 2004. Vol. 384. No 1. PP. 129-137. http://dx.doi.org/10.1016/j.msea.2004.05.072.

Mandal S. et al. Artificial neural network modeling to evaluate and predict the deformation behavior of stainless steel type AISI 304L during hot torsion. Applied Soft Computing. 2009. Vol. 9. No 1. PP. 237-244. http://dx.doi.org/10.1016/j.asoc.2008.03.016.

Altinkok N., Koker R. Modelling of the prediction of tensile and density properties in particle reinforced metal matrix composites by using neural networks. Materials & design. 2006. Vol. 27. No 8. PP. 625-631. http://dx.doi.org/10.1016/j.matdes.2005.01.005.

Larin O., Petrova Yu., Mateichyk V. Two-scale approach to modelling of pneumatic tyres. Rzeszow: Politechnika Pzeszowska Im. Ignacego Lukasiewicza, 2013. PP. 123-128.

Larin O., Barkanov E., Petrova I. Experimental observations of orthotropic elastic and viscoelastic characteristics of the elastomeric textile reinforced composites. Innovative solutions in repair of gas and oil pipelines, Bulgarian Society for destructive testing Publishers, BAS, Sofia. 2016. PP.192-203.


Пристатейна бібліографія ГОСТ


1. Bowers J.R. FSCBG: An Aerial Spray Dispersion Model for Predicting the Fate of Released Material Behind Aircraft / J.R. Bowers, J.K. Rafferty, J.W. Barry // Environmental Toxicology and Chemistry. – 1993. – Vol. 12, No. 3. – PP. 453-464.

2. Furukawa T. Engineering Analysis with Boundary Elements / T. Furukawa, M. Hoffman. 28 (2004). PP. 195-204.

3. Elnashai A.S., Ambraseys N.N. Development of Neural Network Based Hysteretic Models for Steel Beam-Column Connections Through Self-Learning Simulation // Journal of Earthquake Engineering. 2007. – Vol. 11. – PP. 453–467.

4. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга / Ф. Розенблатт. – М.: Мир, 1965. – 480 с.

5. Lau K.M. Comparison of the Hopfield scheme to the hybrid of Lagrange and transformation approaches for solving the travelling salesman problem / K.M. Lau, S.M. Chan, L. Xu // Proceedings of Intelligence in Neural and Biological Systems, 1995.

6. Режим доступу: https://uk.wikipedia.org/wiki/% D0%A8%D1%82%D1%83%D1%87%D0%BD%D0%B8%D0%B9_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD (дата звернення: 20.10.2016).

7. Режим доступу: https://habrahabr.ru/post/134998/ BD (дата звернення: 10.11.2016).

8. Режим доступу: http://www.aiportal.ru/articles/neural-networks/back-propagation.html (дата звернення: 10.11.2016).

9. Режим доступу: http://monographies.ru/ru/book /section?id=2465 (дата звернення: 22.10.2016).

10. Фогель Л. Искусственный интеллект и эволюционное моделирование / Л. Фогель, А. Оуэнс, М. Уолш. – М.: Мир, 1969.

11. Смолин Д.В. Введение в искусственный интеллект: конспект лекций / Д.В. Смолин. – М.: 2004. – 208 с.

12. Круглов В.В. Искусственные нейронные сети. Теория и практика: 2-е изд. / В.В. Круглов, В.В. Борисов. – 2002.

13. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская  и др. – 2006.

14. Zhang Z. Dynamic mechanical properties of PTFE based short carbon fibre reinforced composites: experiment and artificial neural network prediction / Z. Zhang, P. Klein, K. Friedrich // Composites Science and Technology. – 2002. – Т. 62. №. 7. – С. 1001-1009. http://dx.doi.org/10.1016/S0266-3538(02)00036-2.

15. Bahrami A. Prediction of mechanical properties of DP steels using neural network model / A. Bahrami, S.H.M. Anijdan, A. Ekrami // Journal of alloys and compounds. – 2005. – Т. 392. – №. 1. – С. 177-182. http://dx.doi.org/10.1016/j.jallcom.2004.09.014.

16. Sterjovski Z. Artificial neural networks for modelling the mechanical properties of steels in various applications / Z. Sterjovski et al. // Journal of Materials Processing Technology. – 2005. – Т. 170. – №. 3. – С. 536-544. http://dx.doi.org/10.1016/j.jmatprotec.2005.05.040.

17. Malinov S. Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural network / S. Malinov, W. Sha, J.J. McKeown // Computational materials science. – 2001. – Т. 21, № 3. – С. 375-394. http://dx.doi.org/10.1016/S0927-0256(01)00160-4.

18. Okuyucu H. Artificial neural network application to the friction stir welding of aluminum plates / H. Okuyucu, A. Kurt, E. Arcaklioglu // Materials & design. – 2007. – Т. 28, №. 1. – С. 78-84. http://dx.doi.org/10.1016/j.matdes.2005.06.003.

19. Zhang Z. Artificial neural networks applied to polymer composites: a review / Z. Zhang, K. Friedrich // Composites Science and technology. – 2003. – Т. 63. – №. 14. – С. 2029-2044. http://dx.doi.org/10.1016/S0266-3538(03)00106-4.

20. Zhou C. C. Multi-objective optimization of material selection for sustainable products: artificial neural networks and genetic algorithm approach / C.C. Zhou, G.F. Yin, X.B. Hu // Materials & Design. – 2009. – Т. 30, № 4. – С. 1209-1215. http://dx.doi.org/10.1016/j.matdes.2008.06.006.

21. McBride J. Modelling tensile properties of gamma-based titanium aluminides using artificial neural network / J. McBride, S. Malinov, W. Sha // Materials Science and Engineering: A. – 2004. – Т. 384, № 1. – С. 129-137. http://dx.doi.org/10.1016/j.msea.2004.05.072.

22. Mandal S. Artificial neural network modeling to evaluate and predict the deformation behavior of stainless steel type AISI 304L during hot torsion / S. Mandal et al. // Applied Soft Computing. – 2009. – Т. 9, № 1. – С. 237-244. http://dx.doi.org/10.1016/j.asoc.2008.03.016.

23. Altinkok N. Modelling of the prediction of tensile and density properties in particle reinforced metal matrix composites by using neural networks / N. Altinkok, R. Koker // Materials & design. – 2006. – Т. 27. – №. 8. – С. 625-631. http://dx.doi.org/10.1016/j.matdes.2005.01.005.

24. Larin O. Two-scale approach to modelling of pneumatic tyres / O. Larin, Yu. Petrova, V. Mateichyk // Rzeszow: Politechnika Pzeszowska Im. Ignacego Lukasiewicza. – 2013. – P. 123-128.

25. Larin O. Experimental observations of orthotropic elastic and viscoelastic characteristics of the elastomeric textile reinforced composites / O. Larin, E. Barkanov, I. Petrova // Innovative solutions in repair of gas and oil pipelines, Bulgarian Society for destructive testing Publishers, BAS, Sofia. – 2016. – P. 192-203.





DOI: https://doi.org/10.20998/2078-9130.2017.40.119718

Посилання

  • Поки немає зовнішніх посилань.