Пошук академічних текстів

Інформація × Реєстраційний номер 0821U102104, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту 26-06-2021 Статус Запланована Назва роботи Прогнозування зон руйнування в інженерних конструкціях з використанням комп’ютерного навчання Здобувач Чопорова Оксана Володимирівна, Керівник Лісняк Андрій Олександрович Опонент Субботін Сергій Олександрович Опонент Максименко-Шейко Кирило Володимирович Рецензент Єрмолаєв Вадим Анатолійович Рецензент Гребенюк Сергій Миколайович Опис Розроблені в дисертаційній роботі методи і моделі комп'ютерного навчання дозволяють робити швидкі оцінки параметрів стану об’єкту, а саме визначення напружено-деформованого стану. Під час розв’язання задач дисертаційного дослідження були розроблені штучні нейронні мережі для визначення максимального прогину та інтенсивності напружень за Мізесом у пластинах та оболонках. Також були розроблені алгоритми формування вибірки для навчання та тестування моделей. Досліджено можливості застосування генетичного алгоритму для оптимізації нейронної мережі регресійного аналізу і прогнозування максимального прогину пластин та оболонок. У дисертаційній роботі отримано такі наукові результати: – уперше розроблено нейромережевий метод для визначення напружено-деформованого стану пластин з довільними умовами закріплення, який дозволяє визначити максимальний прогин, а також максимальне значення інтенсивності напружень за Мізесом; – уперше розроблено нейромережевий метод для визначення напружено-деформованого стану циліндричної оболонки та комбінації циліндричної та конічної оболонок, який дозволив визначити прогин та інтенсивність напружень за Мізесом; – уперше розроблено нейромережевий метод на базі архітектури «автокодувальник» для визначення можливих зон руйнування у квадратних пластинах з отвором шляхом генерації ймовірних картин розподілу напружень; – удосконалено нейромережеві методи моделювання напружено-деформованого стану тонкостінних конструкцій шляхом розробки генетичного алгоритму оптимізації архітектури нейронної мережі, що дало змогу підвищити точність прогнозування. Програмну реалізацію розроблених методів виконано мовою програмування Python з використанням бібліотек scikit-learn, numpy, Pandas і Keras. Дата реєстрації 2021-07-12 Додано в НРАТ 2021-07-12 Закрити