ВИКОРИСТАННЯ ГЕНЕТИЧНОГО АЛГОРИТМУ ДЛЯ ОПТИМІЗАЦІЇ ПАРАМЕТРІВ НЕЙРОННОЇ МЕРЕЖІ ПРИ ПРОГНОЗУВАННІ НАПРУЖЕНО-ДЕФОРМОВАНОГО СТАНУ КВАДРАТНОЇ ПЛАСТИНКИ

Аннотация

У сучасному виробництві широке поширення одержали системи автоматизованого проектування, які дозволяють проектувати технологічні процеси з меншими витратами часу та засобів, зі збільшенням точності спроектованих процесів і програм обробки, що скорочує витрати матеріалів та час обробки, завдяки тому, що режими обробки також розраховуються та оптимізуються за допомогою ЕОМ.

Розробка методів і моделей машинного навчання дозволяє робити швидкі оцінки необхідних параметрів стану об’єкту. З практичної точки зору моделі машинного навчання для прогнозування значень параметрів стану конструкції можуть слугувати як інтерактивні асистенти у процесі проектування. Одним із актуальних питань застосувань нейронних мереж є їхня структурна оптимізація, тобто, вибір оптимальної кількості шарів, нейронів, функцій активації тощо. Така оптимізація може проводитися як вручну, за умови відносно невеликої кількості параметрів, так і в автоматичному режимі.

У даній роботі розглянуто особливості використання генетичного алгоритму для оптимізації параметрів нейронної мережі для прогнозування напружено-деформованого стану квадратної пластинки. Тестову вибірку, яка містить можливі стани пластинки у залежності від геометричних і фізико-механічних параметрів, побудовано з використанням аналітичних формул і методу скінченних елементів. Суттєвим етапом генетичних алгоритмів є визначення генетичних операторів: селекції, кросоверу, мутації та відбору. Вибір цих операторів впливає на збіжність та ефективність методу в цілому. Генетичний алгоритм є прикладом метаевристичних методів. Збіжність таких методів у загальному випадку досить важко довести формально. Однак, застосування генетичного алгоритму під час налаштування нейронних мереж дозволяє знизити втручання користувача до мінімуму. Використано генетичний алгоритм для оптимізації параметрів нейронної мережі при прогнозуванні напружено-деформованого стану квадратної пластини. Побудовано моделі навчання на базі штучних нейронних мереж. Побудовані моделі дозволяють прогнозувати прогин у центрі пластинки, а також максимальне значення інтенсивності напружень за Мізесом. Основною перевагою штучної нейронної мережі є швидкість прогнозування. Обчислення необхідних характеристик у порівнянні з методом скінченних елементів відбувається майже миттєво (мілісекунди). Отже, «натреновані» штучні нейронні мережі можуть слугувати як інтерактивні помічники у процесі проектування.

In modern production, computer-aided design systems have become widespread, which allow to design technological processes with less time and money, with increased accuracy of designed processes and processing programs, which reduces material costs and processing time, due to the fact that processing modes are also calculated and optimized using a computer.

The development of machine learning methods and models allows to make quick estimates of the necessary parameters of the state of the object. From a practical point of view, machine learning models for predicting the values ​​of structural parameters can serve as interactive assistants in the design process. One of the main issues in the application of neural networks is their structural optimization, the choice of the optimal number of layers, neurons, activation functions and so on. Such optimization can be performed both manually, provided a relatively small number of parameters, and automatically. This paper considers the peculiarities of using a genetic algorithm to optimize the parameters of the neural network to predict the stress-strain state of a square plate. The test sample, which contains the possible states of the plate depending on the geometric and mechanical parameters, was constructed using analytical formulas and the finite element method. An essential stage of genetic algorithms is the definition of genetic operators: selection, crossover, mutation and selection. The choice of these operators affects the convergence and efficiency of the method as a whole. The genetic algorithm is an example of metaheuristic methods. The convergence of such methods is quite difficult to prove formally. However, the use of a genetic algorithm when setting up neural networks can minimize user intervention. A genetic algorithm is used to optimize the parameters of the neural network for predicting the stress-strain state of a square plate. Learning models based on artificial neural networks are built. The constructed models allow predicting the deflection in the center of the plate, as well as the maximum value of the stress intensity according to Mises. The main advantage of an artificial neural network is the speed of prediction. The calculation of the required characteristics in comparison with the finite element method is almost instantaneous (milliseconds). Thus, «trained» artificial neural networks can serve as interactive assistants in the design process.