Решение обратных задач теории упругости с помощью искусственных нейронных сетей

• Автор: Нгуен Зуй Чыонг Занг
• Шифр специальности: 01.02.04, 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Ростов-на-Дону
• Количество страниц: 188 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
Глава 1. Обзор методов решения обратных задач, применение искусственных нейронных сетей
1.1. Обратные задачи теории упругости
1.1.1. Прямые и обратные задачи
1.1.2. Обратные задачи, рассматриваемые в работе
1.2. Применение искусственных нейронных сетей
1.2.1. Нейросетевые методы реконструкции дефектов, основанные на измерении электрических токов, магнитных потоков и рентгеновских снимках
1.2.2. Нейросетевые методы реконструкции дефектов, основанные на измерении механических величин - смещений, ускорений и температуры
1.2.3. Применение ИНС коэффициентных обратных задачах
1.3. Упругие и диссипативные характеристики
Глава 2. Постановка прямых и обратных задач теории упругости
2.1. Постановка прямых задач
2.2. Постановка обратных задач
2.2.1 Постановка задачи
2:2.2 Постановка задачи
2.2.3 Постановка задачи 3 и
2.2.3.1 Модель трубы с объемным дефектом (задача 3)
2.2.3.2 Модель трубы с трещиноподобным дефектом (задача 4)
2.2.3.3 Постановка обратных задач 3 и
2.2.4 Постановка задачи
Глава 3. Исследование и разработка программного комплекса
3.1. Искусственные нейронные сети
3.1.1. Архитектуры искусственных нейронных сетей
3.1.2. Обучение нейронной сети

3.1.3. Программирование искусственной нейронной сети
3.1.3.1. Структура программы
3.1.3.2. Основные функции программы
3.1.3.3. Решение обратных задач с помощью ИНС
3.2. Комплексные искусственные нейронные сети
3.2.1. Архитектура КИНС
щ 3.2.2. Обучение комплексных искусственных нейронных сетей
3.2.3. Основные функции программы
3.3. Разработка системы грид-вычислений Anthill
3.3.1 Система распределенной обработки
3.3.2. Алгоритм распределенных вычислений
3.3.3. Основные функции программы
3.4. Разработка платформы для параллельного обучения искусственных нейронных сетей DisANN
3.4.1. Основные концепции DISANN

3.4.2. Техническая реализация
3.4.3. Алгоритм функционирования
3.4.4. Основные функции программы
3.4.5. Результаты испытаний
Выводы
Глава 4. Решение обратных коэффициентных задач с помощью ИНС или КИНС
4.1. Применение ИНС к задаче идентификации модуля Юнга и коэффициента Пуассона для цилиндра (Задача 1.1)
4.1.1. Процесс обработки входных данных
4.1.2. Численные результаты
4.2. Применение КИНС к задаче идентификации модуля Юнга, коэффициента Пуассона и и диссипативных характеристик (a, (J) для цилиндра (Задача 1.2)
4.2.1. Процесс обработки входных данных

4.2.2. Численные результаты
4.3. Применение КИНС к задаче идентификации модуля Юнга и добротности (Задача 2.1)
4.3.1. Процесс обработки входных данных
4.3.2. Численные результаты
4.4. Идентификации диссипативных коэффициентов деформируемого твердого тела (Задача 2.2)
4.4.1. Процесс обработки входных данных
4.4.2. Численные результаты
4.5. Идентификации упругих свойств и диссипативных коэффициентов деформируемого твердого тела (Задача 2.3)
4.5.1. Процесс обработки входных данных
4.5.2. Численные результаты
Выводы
Глава 5. Решение обратных геометрических задач с помощью ИНС
5.1. Реконструкция параметров дефекта в трубе для задачи
5.2. Реконструкция параметров дефекта в трубе для задачи
5.3. Реконструкция параметров дефекта в трубе для задачи
5.3.1 Реконструкция перпендикулярных трещин
5.3.2 Реконструкция наклонных трещин
5.3.3 Реконструкция расстояния до дефектов
Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
Приложение
Приложение
Приложение
Приложение

преобразования Гильберта. В цикле работ [160-162] рассматриваются задачи определения дефектов (расслоений и трещин) в слоистых композитных материалах. Применяются ИНС с многослойной архитектурой, которая обучается (методами обратного распространения ошибки и сопряженных градиентов) на данных КЭ анализа распространения волн Лемба. Входная информация — АВХ волнового поля подвергается вейвлет преобразованию.
В работах [62, 99, 129, 173, 194, 196] также примененяются ИНС технологии для определения дефектов в слоистых композитах. В работе [146], с помощью ИНС (многослойный персептрон) и высокочастотного сканирования, определяются включения в упругих телах, в частности, положение арматуры в железобетоне.
В работе [127], основываясь на результатах лазерной технологии шареографии, ИНС и нечеткой логики, разработан метод определения расслоений в слоистых композитах. В работе [87] определяются дефекты в композитных многослойных материалах с помощью ИНС технологии. Входной информацией для ИНС являются данные вибрационного и термографического анализа. Обучение ИНС осуществляется на данных численных экспериментов. В работе [188] рассматриваются различные иерархические структуры входных данных ИНС, которые обучаются для определения дефектов. Входные данные получены с помощью пьезокерамических сенсоров, а обучающие выборки построены по результатам КЭ анализа.
В работе [192] разработан метод определения в режиме on-line дефектов в слоистой композитной оболочке, частично заполненной жидкостью. Основой метода является обученная ИНС, входная информация для которой поступает от пьезосенсоров, расположенных на поверхности оболочки. Обучающие выборки строятся на результатах КЭ анализа.
В работе [183] рассматриваются проблемы, связанные с оптимальным или близким к нему расположением сенсоров, сигналы которых поступают в ИНС, обучаемую определению дефектов. В работе [138] с помощью ИНС и нечеткой логики технологии на основе данных ультразвуковых измерений