Определение упругих и диссипативных свойств материалов с помощью сочетания метода конечных элементов и комплекснозначных искусственных нейронных сетей
Автор: Соловьв Аркадий Николаевич, Нгуен Зуи Чыонг Занг
Журнал: Вестник Донского государственного технического университета @vestnik-donstu
Рубрика: Инженерное дело, технологии и технические науки
Статья в выпуске: 2 (77) т.14, 2014 года.
Бесплатный доступ
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).
Комплекснозначные искусственные нейронные сети, идентификация механических свойств, метод конечных элементов
Короткий адрес: https://sciup.org/14250074
IDR: 14250074 | DOI: 10.12737/4540
Список литературы Определение упругих и диссипативных свойств материалов с помощью сочетания метода конечных элементов и комплекснозначных искусственных нейронных сетей
- Haykin, S. Neural Network: a comprehensive foundation/S. Haykin. -2nd edition. -[S. l.]: Prentice Hall, 1998. -842 p.
- Идентификация трещиноподобных дефектов в упругих элементах конструкций на основе эволюционных алгоритмов/А. А. Краснощёков [и др.]//Дефектоскопия. -2011. -№ 6. -С. 67-78.
- 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. -Pp. 2831-2845.
- 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.
- Khandetsky, V. Signal processing in defect detection using back-propagation neural networks/V. Khandetsky, I. Antonyuk//NDT&E International. -2002. -Pp. 483-488.
- 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.
- 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.
- Mira, T. Predicting mechanical properties of elastomers with neural networks/T. Mira, S. Zoran, L. Uros//Polymer. -2007. -Vol. 48. -Pp. 5340-5347.
- 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.
- 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.
- 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.
- Nitta, T. A back-propagation algorithm for complex numbered neural networks/T. Nitta//Proceedings International Joint Conference on Neural Networks, IEEE, Nagoya. -1993. -Pp. 1649-1652.
- Nitta, T. An extension of the back-propagation algorithm to complex numbers/T. Nitta//Neural Network. -1997. -Vol. 10. -Pp. 1391-1415.
- Hirose, A. Complex-valued neural networks: Theories and applications/A. Hirose, E. River//The Series on innovative intelligence. -2003. -388 p.
- Li, C. Complex-valued wavelet network/C. Li, X. Liao, J. Yu//Journal of Computer and System Sciences. -2003. -Vol. 67. -Pp. 623-632.
- Nitta, T. Complex-valued neural networks: utilizing high-dimensional parameters/T. Nitta//Information Science Reference. -2009. -504 p.
- Белоконь, А. В. Новые схемы конечно-элементного динамического анализа пьезоэлектрических устройств/А. В. Белоконь, А. В. Наседкин, А. Н. Соловьёв//Прикладная математика и механика. -2002. -Т. 66, № 3. -С. 491-501.
- Новацкий, В. Теория упругости/В. Новацкий. -Москва: Мир, 1976. -872 с.
