О нейросетевых моделях деформирования тонкостенных оболочек
Компьютерное моделирование тонкостенных оболочечных конструкций представляет собой длительный и ресурсоемкий процесс, особенно в тех случаях, когда исследователю необходимо реализовать оригинальное программное обеспечение моделирования оболочек. К наиболее перспективным направлениям, позволяющим в значительной степени повысить производительность моделирования конструкций этого типа и упростить разработку программного обеспечения, относится их нейросетевое моделирование. Ввиду новизны данного подхода его свойства и особенности практического применения остаются малоизученными. Целью данной статьи служит классификация и анализ особенностей различных подходов к формированию нейросетевых моделей деформирования оболочечных конструкций. В рамках реализации этой цели был проведен литературный обзор современных исследований, посвященных применению нейросетевого моделирования в различных научных областях, в том числе в области моделирования оболочек и плит (которые можно рассматривать как частный случай оболочек). На основе результатов обзора и оригинальных исследований предложена система классификации нейросетевых моделей деформирования оболочек по трем направлениям с описанием преимуществ и недостатков каждого из подходов. Введение подобной классификации упрощает выбор между различными архитектурами нейросетей и источниками данных для обучения, а также позволяет структурировать существующие знания по этой теме. Для одной из рассмотренных нейросетевых архитектур был проведен вычислительный эксперимент с описанием процедуры подготовки обучающего набора данных, обучения и валидации сети, приведены результаты анализа ее свойств. Выделены наиболее перспективные для последующего исследования подвиды нейросетевых моделей деформирования оболочек. Показана высокая эффективность нейросетевого моделирования в отношении как производительности, так и точности моделирования.
Авторы: Ю. Н. Згода
Направление: Информатика, вычислительная техника и управление
Ключевые слова: оболочки, нейросетевое моделирование, Julia, Flux, высокопроизводительные вычисления, классификация, вычислительный эксперимент
Открыть полный текст статьи