Определение упругих и диссипативных свойств материалов с помощью сочетания метода конечных элементов и комплекснозначных искусственных нейронных сетей
Аннотация
Рассматривается применение комплекснозначных искусственных нейронных сетей (КИНС) в обратной задаче идентификации упругих и диссипативных свойств деформируемого твёрдого тела. Дополнительной информацией для решения обратной задачи являются компоненты вектора смещений, измеренные в наборе точек на границе тела (позиционное измерение), совершающего гармонические колебания в области первой резонансной частоты. Процесс измерения смещений в работе моделируется расчётом в конечноэлементном пакете ANSYS, построением амплитудно-частотных характеристик (АЧХ) смещений и выбором их значений для некоторого набора частот (частотное измерение). В приведённом численном примере исследуются вопросы точности идентификации модуля упругости и добротности материала в зависимости от числа точек измерения и их расположения, а также от архитектуры нейронной сети и длительности процесса её обучения, который осуществляется с помощью алгоритма комплекснозначного обратного распространения ошибки (КОР).
Ключевые слова
комплекснозначные искусственные нейронные сети,
идентификация механических свойств,
метод конечных элементов.
При поддержке: Работа выполнена при частичной финансовой поддержке РФФИ (гранты № 13-01-00196-a, 13-01-00943-a).
Об авторах
Аркадий Николаевич Соловьёв
Донской государственный технический университет, Россия
Россия
Россия
Чыонг Занг Нгуен Зуи
Донской государственный технический университет, Россия
Россия
Россия
Список литературы
1. Haykin, S. Neural Network: a comprehensive foundation / S. Haykin. — 2nd edition. — [S. l.] : Prentice Hall, 1998. — 842 p.
2. Идентификация трещиноподобных дефектов в упругих элементах конструкций на основе эволюционных алгоритмов / А. А. Краснощёков [и др.] // Дефектоскопия. — 2011. — № 6. — С. 67‒78.
3. Liu, S. W. Detection of cracks using neural networks and computational mechanics / S. W. Liu [et al.] // Computer methods in applied mechanics and engineering. — 2002. — Vol. 191. —
4. Pp. 2831‒2845.
5. Hasan, T. An application of neural networks for harmonic coefficients and relative phase shifts detection / T. Hasan, T. Feyzullah // Expert Systems with Applications. — 2011. — Vol. 38, iss. 4. — Pp. 3446‒3450.
6. Khandetsky, V. Signal processing in defect detection using back-propagation neural networks / V. Khandetsky, I. Antonyuk // NDT&E International. — 2002. — Pp. 483‒488.
7. Adaptive multilayer perceptron networks for detection of cracks in anisotropic laminated plates / Y. G. Xu [et al.] // International journal of solids and structures. — 2001. — Vol. 38. — Pp. 5625‒5645.
8. Korczak, P. Using neural network models for predicting mechanical properties after hot plate rolling processes / P. Korczak, H. Dyja, E. Łabuda // Journal of Materials Processing Technology. — 1998. — Vol. 80‒81. — Pp. 481‒486.
9. Mira, T. Predicting mechanical properties of elastomers with neural networks / T. Mira, S. Zoran, L. Uros // Polymer. — 2007. — Vol. 48. — Pp. 5340‒5347.
10. Ghaisari, J. Artificial neural network predictors for mechanical properties of cold rolling products / J. Ghaisari, H. Jannesari, M. Vatani // Advances in Engineering Software. — 2012. — Vol. 45. — Pp. 91‒99.
11. Iztok, P. Determination of scrap/supply probability curves for the mechanical properties of aluminium alloys in hot extrusion using a neural network-like approach / P. Iztok, T. Milan, K. Goran // Expert Systems with Applications. — 2012. — Vol. 39. — Pp. 5634‒5640.
12. Determination of the influence of processing parameters on the mechanical properties of the Ti-6Al-4V alloy using an artificial neural network / Y. Sun [et al.] // Computational Materials Science. — 2012. — Vol. 60. — Pp. 239‒244.
13. Nitta, T. A back-propagation algorithm for complex numbered neural networks / T. Nitta // Proceedings International Joint Conference on Neural Networks, IEEE, Nagoya. — 1993. —
14. Pp. 1649‒1652.
15. Nitta, T. An extension of the back-propagation algorithm to complex numbers / T. Nitta // Neural Network. — 1997. — Vol. 10. — Pp. 1391‒1415.
16. Hirose, A. Complex-valued neural networks: Theories and applications / A. Hirose, E. River // The Series on innovative intelligence. — 2003. — 388 p.
17. Li, C. Complex-valued wavelet network / C. Li, X. Liao, J. Yu // Journal of Computer and System Sciences. — 2003. — Vol. 67. — Pp. 623‒632.
18. Nitta, T. Complex-valued neural networks: utilizing high-dimensional parameters / T. Nitta // Information Science Reference. — 2009. — 504 p.
19. Белоконь, А. В. Новые схемы конечно-элементного динамического анализа пьезоэлек-трических устройств / А. В. Белоконь, А. В. Наседкин, А. Н. Соловьёв // Прикладная математика и механика. — 2002. — Т. 66, № 3. — С. 491‒501.
20. Новацкий, В. Теория упругости / В. Новацкий. — Москва : Мир, 1976. — 872 с.
Рецензия
Для цитирования:
Соловьёв А.Н., Нгуен Зуи Ч. Определение упругих и диссипативных свойств материалов с помощью сочетания метода конечных элементов и комплекснозначных искусственных нейронных сетей. Вестник Донского государственного технического университета. 2014;14(2):84-92. https://doi.org/10.12737/4540
For citation:
Solovyev A.N., Nguyen Duy T. ELASTIC AND DISSIPATIVE MATERIAL PROPERTIES DETERMINATION USING COMBINATION OF FEM AND COMPLEX ARTIFICIAL NEURAL NETWORKS. Vestnik of Don State Technical University. 2014;14(2):84-92. (In Russ.) https://doi.org/10.12737/4540
Просмотров:
500
Послать статью по эл. почте 