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.

Численное решение краевых задач для уравнения Пуассона методом точечных источников поля, Оценка путей роста эффективности сепарации зернового материала в семяочистительном агрегате, ...

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