'
Красонцев Н.А., Ляпин А.А.
НЕЙРОННАЯ СЕТЬ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ РАБОТОСПОСОБНОСТИ ЭЛЕМЕНТОВ КОНСТРУКЦИИ *
Аннотация:
в данной статье рассматривается нейронная сеть глубокого обучения для исследования работоспособности и износа элементов конструкций, описывается процесс её обучения, архитектура, а также инструментальные средства разработки
Ключевые слова:
нейронная сеть, глубокое обучение, вибродиагностика
При реконструкции зданий и сооружений часто возникает проблема усиления конструкций под новые технологические нужды, поэтому разработка новых и совершенствование существующих неразрушающих методов контроля параметров, характеризующих качество изготовления конструкций и её работоспособность в здании или сооружении, весьма актуальна. В рамках работы была реализована нейронная сеть, способная определять глубину вероятной трещины в плите на основе данных амлитудно-частотных характеристик (АЧХ). В основу реализации нейронной сети был положен вибродиагностический метод, в частности модальный и гармонический анализы[1]. Для моделирования исследуемой конструкции и вибродиагностики использовался программный комплекс ANSYS[2]. Нейронная сеть была моделирована и обучена с использованием языка Python, а именно его интерпретатор версии 3.6. Для работы с нейронными сетями глубокого обучения был использован фреймворк Keras, который в своей основе использует TensorFlow версии 1.8[3]. Для более быстрого обучения использовался графический процессор, для этого дополнительно использовались программы CUDA и cuDNN. В ходе моделирования было создано множество моделей плит размера 4180х990х220 мм с различным положением и глубиной трещины. Так же на поверхности плиты были размещены точки наблюдения (датчики) для регистрации значений АЧХ, полученные при помощи гармонического анализа[1]. С каждого датчика было получено 20 значений АЧХ в пределах частот, полученных при помощи модального анализа плиты, которые впоследствии используются для обучения нейронной сети. Длительность обучения нейронной сети – 10 000 эпох с перетасовкой используемых данных. Результат работы нейронной сети оценивался по величине средней абсолютной ошибке, которая составила 0.31%, что говорит о высокой точности работы нейронной сети. Работа выполнена при финансовой поддержке гранта РФФИ № 18-01-00715-а.
Номер журнала Вестник науки №9 (9) том 2
Ссылка для цитирования:
Красонцев Н.А., Ляпин А.А. НЕЙРОННАЯ СЕТЬ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ РАБОТОСПОСОБНОСТИ ЭЛЕМЕНТОВ КОНСТРУКЦИИ // Вестник науки №9 (9) том 2. С. 230 - 232. 2018 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/600 (дата обращения: 24.04.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2018. 16+
*