Нейросетевая аппроксимация кривых деформирования при одноосном растяжении образцов из стали и силумина

Цель исследования — разработка и апробация новой расчетной методики для решения задачи аппроксимации кривых деформирования при одноосном растяжении образцов из стали и силумина, позволяющей повысить качество моделирования. Представлена схема испытания на одноосное растяжение образцов из стали и силумина. Эксперимент на одноосное растяжение поставлен в лаборатории механических испытаний кафедры прикладной математики и механики Воронежского государственного технического университета. Экспериментальная кривая деформирования образца из стали аппроксимирована уравнением П. Людвига. Обсуждается вариант прогнозирования зависимости истинного напряжения по логарифмической деформации для рассматриваемой задачи с помощью предварительно обученной искусственной нейронной сети с архитектурой многослойного персептрона. Обучение нейросетевой модели выполнено методом RProp (resilient backpropagation). Программная реализация нейросетевого способа аппроксимации проведена в open source фреймворке для анализа данных — Knime Analytics Platform. Рассмотрена схема проекта для реализации многослойного персептрона, решающего задачу аппроксимации. Выполнено сравнение результатов моделирования по значениям среднеквадратической ошибки аппроксимации. Для образца из стали нейросетевая аппроксимация оказалась на порядок точнее, чем аппроксимация уравнением П. Людвига. Для образца из силумина нейросетевая аппроксимация выполнена с еще меньшим значением среднеквадратической ошибки, чем для образца из стали. Выявлено, что изменение архитектуры искусственной нейронной сети влияет на качество моделирования. При увеличении количества скрытых слоев точность аппроксимации повышается. Нейросетевая аппроксимация представляет собой эффективный способ решения задачи аналитического описания экспериментальных кривых деформирования и оставляет возможность использования универсальной методики для разнообразных материалов и видов испытаний.

1. Смирнов А. С., Коновалов А. В., Канакин В. С. Нейросетевое моделирование реологии сплава АМГ6 в условиях проявления барьерного эффекта дисперсоидами и замедления динамических релаксационных процессов / Diagnostics, Resource and Mechanics of materials and structures. 2020. Issue 6. С. 10 – 26. DOI: 10.17804/2410-9908.2020.6.010-026

2. Васильев А. Н., Кузнецов Е. Б., Леонов С. С. Нейросетевой метод идентификации и анализа модели деформирования металлических конструкций в условиях ползучести / Современные информационные технологии и ИТ-образование. 2015. Т. 2. № 11. С. 360 – 369.

3. Chatzidakis S., Alamaniotis M., Tsoukalas L. H. Creep Rupture Forecasting: A Machine Learning Approach to Useful Life Estimation / International Journal of Monitoring and Surveillance Technologies Research. 2014. N 2. P. 1 – 25. DOI: 10.4018/ijmstr.2014040101

4. Wang H., Zhang W., Sun F. and Zhang W. A comparison study of machine learning based algorithms for fatigue crack growth calculation / Materials. 2017. N 10. P. 543. DOI: 10.3390/ma10050543

5. Rovinelli A., Sangid M. D., Proudhon H. and Ludwig W. Using machine learning and a data-driven approach to identify the small fatigue crack driving force in polycrystalline materials / Computational Materials. 2018. N 4. Article number 35. DOI: 10.1038/s41524-018-0094-7

6. Liu H., Liu S., Liu Z., et al. Prognostics of damage growth in composite materials using machine learning techniques / IEEE International Conference on Industrial Technology. 2017. P. 1042 – 1047. DOI: 10.1109/ICIT.2017.7915505

7. Hanief M., Wani M. F. Artificial neural network and regression-based models for prediction of surface roughness during turning of red brass (C23000) / Journal of Mechanical Engineering and Sciences (JMES). 2016. Vol. 10. Issue 1. P. 1835 – 1845. DOI: 10.15282/jmes.10.1.2016.8.0176

8. Shevchenko E. C., Teraud W. V. Modelling of mechanical characteristics of deformable flat specimens under creep by machine learning methods / Journal of Mechanical Engineering and Sciences (JMES). 2021. Vol. 14. Issue 1. P. 6393 – 6405.

9. Хливненко Л. В., Пятакович Ф. А. Практика нейросетевого моделирования: учебное пособие для вузов. Изд. 2-е, стер. — СПб.: Лань, 2021. — 200 с.

10. Нильсен Э. Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение. — СПб.: ООО «Диалектика», 2021. — 544 с.