Определение упругих и диссипативных свойств материалов с помощью сочетания метода конечных элементов и комплекснозначных искусственных нейронных сетей

комплекснозначные искусственные нейронные сети идентификация механических свойств метод конечных элементов.

Сравнительный анализ алгоритмов раскраски обыкновенного взвешенного графа, К вопросу об оптимизации выплавки стали в дуговой печи и её внепечной обработки в агрегате ковш-печь, ...

Nitta [12, 13] были предложены КИНС, которые в настоящее время широко используются для решения прикладных задач [14‒16]. <...> КИНС, параметры которых (веса, пороговые значения, входы и выходы) являются комплексными числами, применяются в различных областях современной техники, таких как оптоэлектроника, воспроизведение изображений, синтез речи, машинное зрение, дистанционный сбор данных, квантовые аппараты, пространственно-временной анализ физиологических нейронных аппаратов и систем. <...> Применение КИНС в задачах механики является новой областью исследований, которая начала развиваться только в последние годы. <...> В настоящей работе КИНС применяется к решению обратной коэффициентной задачи идентификации упругих (модуль Юнга) и диссипативных (добротность) свойств деформируемого твёрдого тела. <...> Дополнительная информация для решения этой обратной задачи связана с измерением поля смещения на границе тела (в дискретном наборе точек), совершающего гармонические колебания в окрестности первой резонансной частоты. <...> В приведённом ниже примере исследуются вопросы точности идентификации механических свойств материала в зависимости от числа точек измерения и их расположения, а также от архитектуры нейронной сети и длительности (количества эпох) процесса её обучения, который осуществляется с помощью алгоритма КОР. <...> В качестве инструмента решения обратной задачи идентификации механических свойств упругого тела в настоящей работе используется КИНС (на рис. <...> Рассмотрим КИНС, состоящую из 3 слоёв: входной слой, скрытый слой, выходной слой Набор весовых коэффициентов ( , ) показывает связи между данным нейроном и всеми нейронами предыдущего слоя. <...> Входной набор данных ( 1 1 1 , 2 2 2 , ), на котором сеть должна быть обучена, вводится во входной слой сети, затем вычисляются выходные данные. <...> (8) где λ — порог нейронов входных слоёв сети с номером ; δ — обозначение ошибки между фактическим и целевым значениями <...>

• Похожие документы из РУАЭСТ
• |
• Похожие документы из Руконт