Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі


  • S. V. Pogrebnyak Національний технічний університет "Харківський політехнічний інститут", м. Харків
  • O. O. Vodka Національний технічний університет "Харківський політехнічний інститут", м. Харків
Ключові слова: штучна нейрона мережа; комп'ютерне моделювання; штучний інтелект; апроксимація; інтерполяція; програмне забезпечення

Анотація

У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.

Біографії авторів

S. V. Pogrebnyak, Національний технічний університет "Харківський політехнічний інститут", м. Харків

студент, кафедра динаміки та міцності машин

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

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

Посилання

Arruda, Ellen, M., & Mary, C. Boyce. (1993). A three-dimensional constitutive model for the large stretch behavior of rubber elastic materials. Journal of the Mechanics and Physics of Solids, 41(2), 389–412. https://doi.org/10.1016/0022-5096(93)90013-6
Bahrami, A., Mousavi, Anijdan, S. H, & Ekrami, A. (2005). Prediction of mechanical properties of DP steels using neural network model. Journal of alloys and compounds, 392(1–2), 177–182. https://doi.org/10.1016/j.jallcom.2004.09.014
Bergström, J. S., & Boyce, M. C. (1998). Constitutive modeling of the large strain time-dependent behavior of elastomers. Journal of the Mechanics and Physics of Solids, 46(5), 931–954. https://doi.org/10.1016/S0022-5096(97)00075-6
Elnashai, A. S., & Ambraseys, N. N. (2007). Development of Neural Network Based Hysteretic Models for Steel Beam-Column Connections Through Self-Learning Simulation.
Furukawa, T., & Hoffman, M. (2004). Engineering Analysis with Boundary Elements. Journal of Earthquake Engineering, 28, 195–204.
Furukawa, T., & Hoffman, M. (2007). Engineering Analysis with Boundary Elements. Journal of Earthquake Engineering, 11, 453–467.
Larin, O., Barkanov, E., & Petrova, I. (2016). Experimental observations of orthotropic elastic and viscoelastic characteristics of the elastomeric textile reinforced composites. Innovative solutions in repair of gas and oil pipelines, (pp. 192–203). Sofia: Bulgarian Society for destructive testing Publishers, 320 p.
Larin, O., Petrova, Yu., & Mateichyk, V. (2013). Two-scale approach to modelling of pneumatic tyres, (pp. 123–128). Rzeszow: Politechnika Pzeszowska im. Ignacego Lukasiewicza, 260 p.
Malinov, S., Sha, W., & McKeown, J. J. (2001). Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural network. Computational materials science, 21(3), 375–394. https://doi.org/10.1016/S0927-0256(01)00160-4
McBride, J., Malinov, S., & Sha, W. (2004). Modelling tensile properties of gamma-based titanium aluminides using artificial neural network. Materials Science and Engineering: A, 384(1–2), 129–137. https://doi.org/10.1016/j.msea.2004.05.072
Mooney, Melvin. (1940). A theory of large elastic deformation. Journal of applied physics, 11(9), 582–592.
Necat, Altinkok, & Rasit, Koker. (2006). Modelling of the prediction of tensile and density properties in particle reinforced metal matrix composites by using neural networks. Materials & design, 27(8), 625–631. https://doi.org/10.1016/j.matdes.2005.01.005
Ogden, Raymond, W. (1997). Non-linear elastic deformations. Courier Corporation, 238 p.
Okuyucu, Hasan, Adem Kurt, & Arcaklioglu, Erol. (2007). Artificial neural network application to the friction stir welding of aluminum plates. Materials & design, 28(1), 78–84. https://doi.org/10.1016/j.matdes.2005.06.003
Pidaparti, R. M. V., & Palakal, M. J. (1993). Material model for composites using neural networks. AIAA journal, 31(8), 1533–1535.
Rivlin, R. S. (1948). Large elastic deformations of isotropic materials IV. Further developments of the general theory. Phil. Trans. R. Soc. Lond. A. 241(835), 379–397. https://doi.org/10.1098/rsta.1948.0024
Sterjovski, Z., et al. (2005). Artificial neural networks for modelling the mechanical properties of steels in various applications. Journal of Materials Processing Technology, 170(3), 536–544. https://doi.org/10.1016/j.jmatprotec.2005.05.040
Sumantra, Mandal, et al. (2009). Artificial neural network modeling to evaluate and predict the deformation behavior of stainless steel type AISI 304L during hot torsion. Applied Soft Computing, 9(1), 237–244. https://doi.org/10.1016/j.asoc.2008.03.016
Zhang, Z., & Friedrich, K. (2003). Artificial neural networks applied to polymer composites: a review. Composites Science and technology, 63(14), 2029–2044.
Zhang, Z., Klein, P., & Friedrich, K. (2002). Dynamic mechanical properties of PTFE based short carbon fibre reinforced composites: experiment and artificial neural network prediction. Composites Science and Technology, 62(7–8). 1001–1009. https://doi.org/10.1016/S0266-3538(02)00036-2
Zhou, C. C., Yin, G. F., Hu, X. B., Zhou, Chang-Chun, Guo-Fu, Yin, & Xiao-Bing, Hu. (2009). Multi-objective optimization of material selection for sustainable products: artificial neural networks and genetic algorithm approach. Materials & Design, 30(4), 1209–1215. https://doi.org/10.1016/j.matdes.2008.06.006
Опубліковано
2018-12-27
Як цитувати
Pogrebnyak, S. V., & Vodka, O. O. (2018). Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі. Науковий вісник НЛТУ України, 28(11), 130-134. https://doi.org/10.15421/40281123
Розділ
Інформаційні технології галузі