Розробка комп’ютерної системи для обробки результатів експерименту за допомогою штучної нейронної мережі

Sergij Pogrebnyak, Oleksii Vodka

Анотація


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, таким 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 програмне забезпечення з використанням штучних нейронних мереж, визначена величина похибки і зона її оптимальної роботи.

Ключові слова


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

Повний текст:

PDF PDF

Посилання


Bowers, M. E., Rafferty, J. R., and Barry, J. K. FSCBG: An Aerial Spray Dispersion Model for Predicting the Fate of Released Material Behind Aircraft. Environmental Toxicology and Chemistry. 1993, 12(3), 45364.

Furukawa, T., Hoffman, M. Engineering Analysis with Boundary Elements. Journal of Earthquake Engineering. 2004, 28, 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. 2007, 11, 453–467, doi: 10.1080/13632460601123180.

Rozenblatt, F. Principy nejrodinamiki: Perceptrony i teorija mehanizmov mozga. Moskow: 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, doi: 10.1109/INBS.1995.404259

URL: https://uk.wikipedia.org/wiki/%D0%A8%D1%

%D1%83%D1%87%D0%BD%D0%B8%D0%B9_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD (data zvernennja: 20.10.2016)

URL: https://habrahabr.ru/post/134998/ BD (data zvernennja: 10.11.2016)

URL: http://www.aiportal.ru/articles/neural-networks/back-propagation.html (data zvernennja: 10.11.2016)

URL: http://monographies.ru/ru/book/section?id=2465 (data zvernennja: 22.10.2016)

Fogel', L., Oujens, A., Uolsh, M. Iskusstvennyj intellekt i jevoljucionnoe modelirovanie. Moskow:Mir, 1969.

Smolin, D. V. Vvedenie v iskusstvennyj intellekt - konspekt lekcij. Moskow, 2004, 208 p.

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

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

Zhang, Z., Klein P., and Friedrich, K. Dynamic mechanical properties of PTFE based short carbon fibre reinforced composites: experiment and artificial neural network prediction. Composites Science and Technology. 2002, 62(7), 1001-1009. doi: 10.1016/S0266-3538(02)00036-2.

Bahrami, A., Anijdan, S. H., Mousavi and Ekrami, A. Prediction of mechanical properties of DP steels using neural network. Journal of alloys and compounds. 2005, 392(1), 177-182, doi: 10.1016/j.jallcom.2004.09.014model.

Sterjovski, Z. et al. Artificial neural networks for modelling the mechanical properties of steels in various applications. Journal of Materials Processing Technology. 2005, 170(3), 536-544, doi: 10.1016/j.jmatprotec.2005.05.040.

Malinov, S., Sha, W. and McKeown, J. J. Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural network. Computational materials science. 2001, 21(3), 375-394, doi: 10.1016/S0927-0256(01)00160-4.

Okuyucu Hasan, Adem Kurt and Erol Arcaklioglu Artificial neural network application to the friction stir welding of aluminum plates. Materials & design. 2007, 28(1), 78-84, doi: 10.1016/j.matdes.2005.06.003.

Zhang, Z. and Friedrich, K. Artificial neural networks applied to polymer composites: a review. Composites Science and technology. 2003, 63(14), 2029-2044, doi: 10.1016/S0266-3538(03)00106-4.

Zhou Chang-Chun, Guo-Fu Yin and Xiao-Bing Hu Multi-objective optimization of material selection for sustainable products: artificial neural networks and genetic algorithm approach. Materials & Design. 2009, 30(4), 1209-1215, doi: 10.1016/j.matdes.2008.06.006.

McBride, J., Malinov S. and Sha, W. Modelling tensile properties of gamma-based titanium aluminides using artificial neural network. Materials Science and Engineering. 2004, 384(1), 129-137, doi: 10.1016/j.msea.2004.05.072.

Mandal Sumantra 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, 9(1), 237-244, doi: 10.1016/j.asoc.2008.03.016.

Altinkok Necat and Rasit Koker Modelling of the prediction of tensile and density properties in particle reinforced metal matrix composites by using neural networks. Materials & design. 2006, 27(8), 625-631, doi: 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, 123-128.

25. 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, 192-203.


Пристатейна бібліографія ГОСТ


  1. Bowers, M. E. FSCBG: An Aerial Spray Dispersion Model for Predicting the Fate of Released Material Behind Aircraft / M. E. Bowers, J. R. Rafferty, J. K. and Barry // Environmental Toxicology and Chemistry. − 1993. − Vol. 12, No. 3. −  P. 45364.
  2. Furukawa, T. Engineering Analysis with Boundary Elements / T. Furukawa, M. Hoffman // Journal of Earthquake Engineering. 2004. No 28. P. 195–204.
  3. Elnashai, A. S. Development of Neural Network Based Hysteretic Models for Steel Beam-Column Connections Through Self-Learning Simulation / A. S. Elnashai, N. N. Ambraseys // Journal of Earthquake Engineering. – 2007. – No 11. – P. 453–467. – doi: 10.1080/13632460601123180.
  4. Розенблатт, Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. – 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. – doi: 10.1109/INBS.1995.404259.
  6. URL: 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. URL:  https://habrahabr.ru/post/134998/ BD (дата звернення: 10.11.2016).
  8. URL:                http://www.aiportal.ru/articles/neural-networks/back-propagation.html (дата звернення: 10.11.2016).
  9. URL: 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. М. – 2004. – 208 с.
  12. Круглов, В. В., Борисов, В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В.  Борисов. – 2-е изд. – 2002.
  13. Рутковская Д. и др. Нейронные сети, генетические алгоритмы и нечеткие системы. – 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. – doi: 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. – doi: 10.1016/j.jallcom.2004.09.014.
  16. Sterjovski, Z. et al. 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. doi: 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. – doi: 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. – doi: 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. – doi: 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. – doi: 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. – 2004. – Т. 384, №. 1. – С. 129-137. – doi: 10.1016/j.msea.2004.05.072.
  22. Mandal, S. et al. 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. – doi: 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. – doi: 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/10.20998/2413-4295.2016.42.24

Посилання

  • Поки немає зовнішніх посилань.