Применение искусственной нейронной сети к задачам механики разрушения на основе данных численного моделирования
Аннотация
Предложен алгоритм моделирования на основе объединения метода конечных элементов, алгоритма машинного обучения с использованием искусственных нейронных сетей и прямой статистической оценки неопределенности по схеме N-кратной реализации численной модели методом Монте-Карло. Объединение методов устраняет присущие им недостатки, повышает вычислительную эффективность прогнозирования результатов. Применение данной методики показано на примере статистической оценки вероятности разрушения при вариациях размеров поверхностных дефектов в зоне буксового проема боковой рамы тележки грузового вагона.
Об авторах
А. А. Протопопов
АО «Научно-исследовательский и конструкторско-технологический институт подвижного состава»
Россия
Россия
Андрей Л. Протопопов, канд. техн. наук, ведущий научный сотрудник
Э. С. Оганьян
АО «Научно-исследовательский и конструкторско-технологический институт подвижного состава»
Россия
Россия
Эдуард С. Оганьян, д-р техн. наук, главный научный сотрудник
Список литературы
1. Горский Л. К. Статистические алгоритмы исследования надежности. М.: Наука, 1970. 400 с.
2. Лепихин А. М. Риск-анализ конструкций потенциально опасных объектов на основе вероятностных моделей механики разрушения: дис. … д-ра техн. наук.Новосибирск: Рос. акад. наук. Сиб. отд-ние. Ин-т теорет. и приклад. Механики, 2000. 341 с.
3. Chen J., Liu Y. Fatigue modeling using neural networks: A comprehensive review // Fatigue Fract. Eng. Mater. Struct. 2022. Vol. 45. № 4. P. 945–979.
4. Dresia K., Waxenegger-Wilfing G., Riccius J. et al. Numerically efficient fatigue life prediction of rocket combustion chambers using artificial neural networks // 8th European Conference for Aeronautics and Space Sciences. EUCASS Association. Madrid, 2019.
5. Mouss M. El., Zellagui S., Nasraoui M., Hambli R. Parametric investigation of the effects of load level on fatigue crack growth in trabecular bone based on artificial neural network computation // Proc. Inst. Mech. Eng. 2020. Part H. № 234(8). P. 784–793.
6. Wang B., Xie L., Song J. et al. Curved fatigue crack growth prediction under variable amplitude loading by artificial neural network // International Journal of Fatigue. 2021. № 142(4).
7. Zhuang M., Miao C., Chen R. Analysis for stress characteristics and structural parameters optimization in orthotropic steel box girders based on fatigue performance // KSCE J Civ Eng. 2019. № 23. P. 2598–2607.
8. Waxenegger-Wilfing G., Dresia K., Deeken J., Oschwald M. Heat transfer prediction for methane in regenerative cooling channels with neural networks // Journal of Thermophysics and Heat Transfer. 2020. № 34. P. 347–357.
9. Hajializadeh F., Ince A. Integration of artificial neural network with finite element analysis for residual stress prediction of direct metal deposition process // Mater Today Commun. 2021. № 27. P. 1–20.
10. Протопопов А. Л. Живучесть литых деталей подвижного состава с технологическими дефектами: дис. … канд. техн. наук. М.: РУТ, 2020. 134 с.
11. Минский М., Пейперт С. Персептроны / пер. с англ. Г. Л. Гимельфарба, В. М. Шарыпанова; под ред. В. А. Ковалевского. М.: Мир, 1971. 261 с.
12. Доронин С. В., Лепихин А. М., Москвичев В. В., Шокин Ю. И. Моделирование прочности и разрушения несущих конструкций технических систем: прочность, механика разрушения, ресурс, безопасность технических систем. Новосибирск: Наука, 2005. 250 с.
13. Helton J., Davis F. Latin hypercube sampling and the propagation of uncertainty in analysesof complex systems // Reliability Engineering and System Safety. 2003. № 81. P. 23–69.
Рецензия
Для цитирования:
Протопопов А.А., Оганьян Э.С. Применение искусственной нейронной сети к задачам механики разрушения на основе данных численного моделирования. Транспорт Российской Федерации. Журнал о науке, практике, экономике. 2025;(5):37–40.
For citation:
Protopopov A.L., Oganyan E.S. Application of Artificial Neural Networks to Fracture Mechanics Problems Using Numerical Simulation Data. Transport of the Russian Federation. 2025;(5):37–40. (In Russ.)
Просмотров:
20
JATS XML
Послать статью по эл. почте 