Preview

Вестник Донского государственного технического университета

Расширенный поиск

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

https://doi.org/10.12737/4540

Полный текст:

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).

Об авторах

Аркадий Николаевич Соловьёв
Донской государственный технический университет, Россия
Россия


Чыонг Занг Нгуен Зуи
Донской государственный технический университет, 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.


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: 70


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1992-5980 (Print)
ISSN 1992-6006 (Online)