ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ДОВГОВІЧНОСТІ ЕЛЕМЕНТІВ КОНСТРУКЦІЙ

Проблеми обчислювальної механіки і міцності конструкцій Pub Date : 2022-12-30 DOI:10.15421/4222218

R. O. Shcherbak, A. E. Sheveleva, T. V. Khodanen

{"title":"ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ДОВГОВІЧНОСТІ ЕЛЕМЕНТІВ КОНСТРУКЦІЙ","authors":"R. O. Shcherbak, A. E. Sheveleva, T. V. Khodanen","doi":"10.15421/4222218","DOIUrl":null,"url":null,"abstract":"Розглянуто задачу прогнозування швидкості росту втомних тріщин в алюмінієвому сплаві 2024-T351 з використанням нейронних мереж. Реалізовано два алгоритми методів машинного навчання – генетичний та зворотного поширення помилки. Побудовано криві навчання для обох алгоритмів і отримано числові результати для задачі прогнозування швидкості росту втомних тріщин на основні експериментальних даних про її залежність від коефіцієнту інтенсивності напружень та величини циклічних навантажень. Проведено порівняння цих алгоритмів за значеннями похибки та часу навчання, визначено перевагу алгоритму зворотного поширення помилки у швидкості навчання та збіжності до оптимального результату.","PeriodicalId":340024,"journal":{"name":"Проблеми обчислювальної механіки і міцності конструкцій","volume":"43 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-12-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Проблеми обчислювальної механіки і міцності конструкцій","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.15421/4222218","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Розглянуто задачу прогнозування швидкості росту втомних тріщин в алюмінієвому сплаві 2024-T351 з використанням нейронних мереж. Реалізовано два алгоритми методів машинного навчання – генетичний та зворотного поширення помилки. Побудовано криві навчання для обох алгоритмів і отримано числові результати для задачі прогнозування швидкості росту втомних тріщин на основні експериментальних даних про її залежність від коефіцієнту інтенсивності напружень та величини циклічних навантажень. Проведено порівняння цих алгоритмів за значеннями похибки та часу навчання, визначено перевагу алгоритму зворотного поширення помилки у швидкості навчання та збіжності до оптимального результату.

查看原文本刊更多论文

本文探讨了利用神经网络预测铝合金 2024-T351 疲劳裂纹增长率的问题。文中采用了两种机器学习方法--遗传和反向误差传播。根据应力强度因子和循环载荷值的主要实验数据，构建了这两种算法的学习曲线，并获得了预测疲劳裂纹生长率的数值结果。在误差和学习时间方面对这些算法进行了比较，并确定了误差反向传播算法在学习速度和收敛到最佳结果方面的优势。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Проблеми обчислювальної механіки і міцності конструкцій

自引率

0.00%

发文量