ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ДОВГОВІЧНОСТІ ЕЛЕМЕНТІВ КОНСТРУКЦІЙ
Ключові слова:
циклічне навантаження; втомні тріщини; коефіцієнт інтенсивності напружень; нейронні мережі; методи машинного навчання; генетичний алгоритм; алгоритм зворотного поширення помилки.
Анотація
Розглянуто задачу прогнозування швидкості росту втомних тріщин в алюмінієвому сплаві 2024-T351 з використанням нейронних мереж. Реалізовано два алгоритми методів машинного навчання – генетичний та зворотного поширення помилки. Побудовано криві навчання для обох алгоритмів і отримано числові результати для задачі прогнозування швидкості росту втомних тріщин на основні експериментальних даних про її залежність від коефіцієнту інтенсивності напружень та величини циклічних навантажень. Проведено порівняння цих алгоритмів за значеннями похибки та часу навчання, визначено перевагу алгоритму зворотного поширення помилки у швидкості навчання та збіжності до оптимального результату.Посилання
1. Ясній П. В. Пластично деформовані матеріали: втома і тріщинотривкість. Львів : Світ, 1998. 292 с.
2. Beden S. M., Abdullah S., Arrifin A. K. Review of Fatigue Crack Propagation Models for Metallic Components // European Journal of Scientific Research. 2009. Vol. 28. P. 364–397.
3. Didych I., Pastukh O., Pyndus Yu., Yasniy O. Evaluation of Structural Elements Lifetime by Neural Network. // Acta Metallurgica Slovaca. 2018. Vol. 24. Iss. 1. P. 82–87. https://journals.scicell.org/index.php/AMS/article/view/250.
4. Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects // Science. 2015. Vol. 349. Iss. 6245. P. 255–260. https://doi.org/10.1126/science.aaa8415.
5. Kršćanski S., Brnić J. Prediction of Fatigue Crack Growth in Metallic Specimens under Constant Amplitude Loading Using Virtual Crack Closure and Forman Model // Metals. 2020. Vol. 10. Iss. 7. 14 p. https://doi.org/10.3390/met10070977.
6. Revankar S. T., Wolf B., Roznic J. R. Metal Fatigue Crack Growth Models // International Journal of Advanced Engineering Apllications. 2012. Vol. 6. Iss. 4. P. 85–91.
7. Richard H. A., Sander M. Fatigue Crack Growth Detect – Assess – Avoid // Solid Mechanic and Its Applications. Springer Cham. 2016. Vol. 227. 292 p. https://doi.org/10.1007/978-3-319-32534-7.
8. Pugno N., Ciavarella M., Cornetti P., Carpinteri A. A generalized Paris’ law for fatigue crack growth // Journal of the Mechanics and Physics of Solids. 2006. Vol. 54. Iss. 7. P. 1333–1349. https://doi.org/10.1016/j.jmps.2006.01.007.
9. Zhi L. Neural Network-based Modelling and Prediction for Crack Growth Process in Alloys // Faculty of Science, Engineering and Technology Swinburne University of Technology Hawthorn, VIC 3122, Australia. 2019. 178 p. https://researchbank.swinburne.edu.au/file/70a0e67a-a468-473c-8cdc-b6c320c91244/1/linxian_zhi_thesis.pdf
2. Beden S. M., Abdullah S., Arrifin A. K. Review of Fatigue Crack Propagation Models for Metallic Components // European Journal of Scientific Research. 2009. Vol. 28. P. 364–397.
3. Didych I., Pastukh O., Pyndus Yu., Yasniy O. Evaluation of Structural Elements Lifetime by Neural Network. // Acta Metallurgica Slovaca. 2018. Vol. 24. Iss. 1. P. 82–87. https://journals.scicell.org/index.php/AMS/article/view/250.
4. Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects // Science. 2015. Vol. 349. Iss. 6245. P. 255–260. https://doi.org/10.1126/science.aaa8415.
5. Kršćanski S., Brnić J. Prediction of Fatigue Crack Growth in Metallic Specimens under Constant Amplitude Loading Using Virtual Crack Closure and Forman Model // Metals. 2020. Vol. 10. Iss. 7. 14 p. https://doi.org/10.3390/met10070977.
6. Revankar S. T., Wolf B., Roznic J. R. Metal Fatigue Crack Growth Models // International Journal of Advanced Engineering Apllications. 2012. Vol. 6. Iss. 4. P. 85–91.
7. Richard H. A., Sander M. Fatigue Crack Growth Detect – Assess – Avoid // Solid Mechanic and Its Applications. Springer Cham. 2016. Vol. 227. 292 p. https://doi.org/10.1007/978-3-319-32534-7.
8. Pugno N., Ciavarella M., Cornetti P., Carpinteri A. A generalized Paris’ law for fatigue crack growth // Journal of the Mechanics and Physics of Solids. 2006. Vol. 54. Iss. 7. P. 1333–1349. https://doi.org/10.1016/j.jmps.2006.01.007.
9. Zhi L. Neural Network-based Modelling and Prediction for Crack Growth Process in Alloys // Faculty of Science, Engineering and Technology Swinburne University of Technology Hawthorn, VIC 3122, Australia. 2019. 178 p. https://researchbank.swinburne.edu.au/file/70a0e67a-a468-473c-8cdc-b6c320c91244/1/linxian_zhi_thesis.pdf
Опубліковано
2022-12-30
Як цитувати
Щербак, Р. О., Шевельова, А. Є., & Ходанен, Т. В. (2022). ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ДОВГОВІЧНОСТІ ЕЛЕМЕНТІВ КОНСТРУКЦІЙ. Проблеми обчислювальної механіки і міцності конструкцій, (35), 84-94. https://doi.org/10.15421/4222218
Розділ
Статті
ISSN 
