Розроблення алгоритмів візуалізації властивостей гетерогенних та композиційних матеріалів


  • R. R. Lavshchenko Національний технічний університет "Харківський політехнічний інститут", м. Харків
  • O. O. Vodka Національний технічний університет "Харківський політехнічний інститут", м. Харків
Ключові слова: веб-застосунок; метали; алгоритми зниження розмірності; багатомірні набори даних; інтелектуальний пошук; Isomap; MDS; t-SNE

Анотація

Сьогодні у людській діяльності використовують дуже велику кількість різних матеріалів. Ці матеріали відрізняться між собою механічними властивостями, кольором, хімічним складом. Широке розмаїття матеріалів становить завдання про збереження інформації про них та про її візуалізацію. Створено базу даних матеріалів та веб-застосунок, який дає можливість отримати доступ до інформації про різні види металів та їхні сплави, а також підібрати найближчі аналоги за допомогою функції інтелектуального пошуку. Для створення бази даних використано систему керування базами даних MySQL. Наповнення цієї бази даних відбувалось способом розроблення спеціальної програми-парсера. Ця програма переглядала сторінки з мережі Інтернет та виділяла інформацію про властивості матеріалів і зберігала їх до бази даних. Для візуалізації даних використано алгоритми зниження розмірності. Ці алгоритми спрямовані на відшукання такої проекції високовимірних даних на низьковимірний простір. Під час використання цієї проекції зберігаються всі внутрішні взаємозв'язки між даними. Це дало змогу побудувати відображення великовимірних даних на площину та візуалізувати їх. Для цього використано алгоритми Isomap, MDS, t-SNE. В такий спосіб розроблено базу даних матеріалів. Доступ до бази даних відбувається за допомогою веб-застосунку. Для зібраних даних побудовано візуалізації. За результатами візуалізації виявлено кластери матеріалів, які відповідають вже відомим класам матеріалів. Це підтверджує коректність побудови моделей візуалізації та зниження розмірності, а також правильність зібраної інформації.

Біографії авторів

R. R. Lavshchenko, Національний технічний університет "Харківський політехнічний інститут", м. Харків

студент інженерно-фізичного інституту

O. O. Vodka, Національний технічний університет "Харківський політехнічний інститут", м. Харків

канд. техн. наук, доцент, кафедра динаміки та міцності машин

Посилання

Aggarwal, S., & Gupta, S. (2014). Flask Framework Cookbook. Packt Publishing Ltd, 258 p.
Diubua, P., & Sher, P. (2005). MySQL. Sbornik retceptov. St.-Petersburg: Simvol, 1056 p. [In Russian].
Documentation. (2018). Manifold learning – scikit-learn 0.20.1 documentation. Retrieved from: https://scikit-learn.org/stable/modules/manifold.html.
Dwyer, G., Aggarwal, S., & Stouffer, J. (2017). Flask: Building Python Web Services.
Grinberg, M. (2018). Flask web development: developing web applications with python – miguel grinberg – Google books.
Hinton, G., & Roweis, S. (2003). Stochastic neighbor embedding.
Jolliffe, I. (2011). Principal component analysis. International Encyclopedia of Statistical Science. Berlin, Heidelberg: Springer Berlin Heidelberg, pp. 1094–1096.
Maaten, L. Van Der, & Hinton, G. (2008). Visualizing data using t-sne, pp. 2579–2605.
Maia, T. (2015). Building Web Applications with Flask.
Pedregosa, F., Michel, V., Grisel, O., et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Samko, O., Marshall, A. D., & Rosin, P. L. (2006). Selection of the optimal parameter value for the isomap algorithm. Pattern Recognition Letters, 27(9), 968–979.
Wickelmaier, F. (2003). An introduction to MDS.
Опубліковано
2018-12-27
Як цитувати
Lavshchenko, R. R., & Vodka, O. O. (2018). Розроблення алгоритмів візуалізації властивостей гетерогенних та композиційних матеріалів. Науковий вісник НЛТУ України, 28(11), 125-130. https://doi.org/10.15421/40281122
Розділ
Інформаційні технології галузі