Реєстраційний номер
0821U102104, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
26-06-2021
Статус
Захищена
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
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Запорізький національний університет
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/оновлено в НРАТ
2021-07-12 / 2026-07-01