Пошук академічних текстів

Інформація × Реєстраційний номер 0224U031495, 0122U001858 , Науково-дослідна робота Назва роботи Моделювання функціональних і конструкційних властивостей сплавів з пам’яттю форми методами машинного навчання Назва етапу роботи Керівник роботи Ясній Олег Петрович, Доктор технічних наук Дата реєстрації 02-05-2024 Організація виконавець Тернопільський національний технічний університет імені Івана Пулюя Опис етапу  Сплави з пам’яттю форми (СПФ) утримують свою початкову форму під дією термомеханічних навантажень. СПФ широко застосовують завдяки їхнім унікальним властивостям, наприклад, в елементах конструкцій, автомобілебудуванні, аерокосмічній інженерії, мікроелектромеханічних системах та ін. Надзвичайно важливо вивчити їхні конструкційні властивості, зокрема, залежності напружень та деформацій від кількості циклів навантаження. Оскільки експериментальні процедури часто досить дороговартісні, доцільно користуватися методами машинного навчання. Таким чином, важливо змоделювати залежності напружень та деформацій від кількості циклів навантаження для нікель-титанового сплаву з пам’яттю форми, застосовувавши методи машинного навчання. Залежності розмаху напружень та деформацій від кількості циклів навантаження для чотирьох зразків, взятих із доступних літературних даних, передбачено методами машинного навчання у спеціалізованому програмному середовищі для аналізу даних Orange. Загалом, для кожного із чотирьох зразків, побудовано дві моделі. На вхід кожної з моделей подавали залежності відповідної фізичної величини від кількості циклів навантаження. Кількість циклів навантаження розглядали як незалежну змінну, а відповідну фізичну величину трактували як залежну змінну. Для збільшення точності результатів моделювання, набір даних додатково збільшили, скориставшись інтерполяцією вихідних експериментальних даних одновимірним сплайном Акіма. Для кожного зразка, набір даних розділили на дві нерівні частини ‒ навчальну вибірку та тестову вибірку. Регресійні залежності будували методом випадкових лісів, нейронними мережами, градієнтним бустінгом, методом опорних векторів, AdaBoost, та методом k найближчих сусідів. Кожну з отриманих моделей додатково перевіряли методом перехресної валідації десять разів. Опис продукції Автори роботи Баран Денис Ярославович Бойко Андрій Романович Гавриш Роман Мирославович Гомон Ольга Олександрівна Марущак Олена Володимирівна Чорномаз Наталія Юріївна Додано в НРАТ 2024-05-02 Закрити