Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
![](/pic/nikiforov.jpg)
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2023-23-2-430-435
УДК 004.942, 004.032.26
Высокопроизводительное моделирование напряженно-деформированного состояния тонкостенных оболочечных конструкций с использованием глубокого обучения
Читать статью полностью
![](/images/pdf.png)
Язык статьи - английский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Згода Ю.Н. Высокопроизводительное моделирование напряженно-деформированного состояния тонкостенных оболочечных конструкций с использованием глубокого обучения // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 2. С. 430–435 (на англ. яз.). doi: 10.17586/2226-1494-2023-23-2-430-435
Аннотация
Предмет исследования. Одним из наиболее распространенных подходов к исследованию напряженно-деформированного состояния тонкостенных оболочечных конструкций под воздействием внешних сил является их компьютерное моделирование. Данное решение требует существенных временных затрат и высокопроизводительного аппаратного обеспечения, особенно при необходимости проведения сравнительного анализа различных конфигураций оболочек. В данной работе для повышения производительности моделирования предложено применение методов глубокого обучения. Выполнена разработка высокопроизводительного метода компьютерного моделирования тонкостенных оболочечных конструкций с использованием глубоких нейронных сетей, позволяющего учесть геометрические и физические свойства конструкции, а также прикладываемую к ней нагрузку. Метод. Основа метода состоит в подходе к обучению и архитектуре глубокой нейронной сети, способной выполнять компьютерное моделирование напряженно-деформированного состояния оболочки. Для формирования обучающего набора данных проведен вычислительный эксперимент моделирования 3904 конфигураций пологих двояковыпуклых оболочек разных линейных размеров, радиусов кривизны и используемых материалов. Выполнено обучение 30 глубоких нейронных сетей различных архитектур. Для выбора архитектуры, оптимальной с точки зрения точности моделирования, для каждой из обученных сетей на проверочном наборе данных рассчитана средняя абсолютная ошибка в процентах с отсечением околонулевых образцов. Основные результаты. Разработана нейронная сеть, позволяющая без существенных вычислительных затрат определить напряженно-деформированное состояние множества конфигураций оболочек под воздействием произвольной равномерно-распределенной нагрузки. Данное решение — первое в области нейросетевого моделирования оболочек, позволяющее задавать прикладываемую нагрузку, геометрические и физические параметры оболочки и получать результаты расчета в произвольной точке срединной поверхности оболочки. Проведено сравнение производительности классического моделирования и моделирования напряженно-деформированного состояния разработанной нейронной сети. Для одной конструкции моделирование в нейронной сети выполняется в течение 2 мс, что в 2117 раз быстрее по сравнению с классическим. При этом погрешность моделирования с использованием сети получена на допустимом уровне. Практическая значимость. Предложена оригинальная архитектура нейронной сети моделирования напряженно-деформированного состояния пологих двояковыпуклых оболочек. Архитектура путем незначительных модификаций может быть приспособлена для высокопроизводительного моделирования разных видов строительных конструкций. Осуществлено обучение глубокой нейронной сети, которая обеспечивает сокращение длительности вычислений на несколько порядков. Полученные результаты обладают высокой практической значимостью для исследователей в области моделирования тонкостенных оболочечных конструкций. Наиболее перспективным применением разработанного решения является прототипирование различных конфигураций оболочек. По окончании прототипирования наиболее эффективные конфигурации могут быть детально исследованы с использованием классических методов компьютерного моделирования.
Ключевые слова: тонкостенные оболочечные конструкции, напряженно-деформированное состояние, глубокое обучение, нейронные сети, компьютерное моделирование, язык программирования Julia
Список литературы
Список литературы
-
Karpov V.V. Models of the shells having ribs, reinforcement plates and cutouts // International Journal of Solids and Structures. 2018. V. 146. P. 117–135. https://doi.org/10.1016/j.ijsolstr.2018.03.024
-
Hu N., Feng P., Dai G.-L. Structural art: Past, present and future // Engineering Structures. 2014. V. 79. P. 407–416. https://doi.org/10.1016/j.engstruct.2014.08.040
-
Chai Y., Song Z., Li F. Investigations on the aerothermoelastic properties of composite laminated cylindrical shells with elastic boundaries in supersonic airflow based on the Rayleigh–Ritz method // Aerospace Science and Technology. 2018. V. 82–83. P. 534–544. https://doi.org/10.1016/j.ast.2018.09.040
-
Liu H.-T., Li N. Reliability analysis of autonomous underwater vehicle aft pressure shell for optimal design and strength // Ocean Engineering. 2022. V. 249. P. 110906. https://doi.org/10.1016/j.oceaneng.2022.110906
-
Bevilacqua A., Ciaburro G., Iannace G., Lombardi I., Trematerra A. Acoustic design of a new shell to be placed in the Roman amphitheater located in Santa Maria Capua Vetere // Applied Acoustics. 2022. V. 187. P. 108524. https://doi.org/10.1016/j.apacoust.2021.108524
-
Lopatin A.V., Morozov E.V., Shatov A.V. Axial deformability of the composite lattice cylindrical shell under compressive loading: Application to a load-carrying spacecraft tubular body // Composite Structures. 2016. V. 146. P. 201–206. https://doi.org/10.1016/j.compstruct.2016.03.021
-
Zhang Y., Song H., Yu X., Yang J. Modeling and analysis of forced vibration of the thin-walled cylindrical shell with arbitrary multi-ring hard coating under elastic constraint // Thin-Walled Structures. 2022. V. 173. P. 109037. https://doi.org/10.1016/j.tws.2022.109037
-
Kostopanagiotis C., Kopanos M., Ioakim D., Perros K., Lagaros N.D. Low cost CPU–GPGPU parallel computing in real-world structural engineering // Journal of Building Engineering. 2015. V. 4. P. 209–222. https://doi.org/10.1016/j.jobe.2015.09.011
-
Bezanson J., Edelman A., Karpinski S., Shah V.B. Julia: a fresh approach to numerical computing // SIAM Review. 2017. V. 59. N 1. P. 65–98. https://doi.org/10.1137/141000671
-
Thai H.T. Machine learning for structural engineering: A state-of-the-art review // Structures. 2022. V. 38. P. 448–491. https://doi.org/10.1016/j.istruc.2022.02.003
-
Mallela U.K., Upadhyay A. Buckling load prediction of laminated composite stiffened panels subjected to in-plane shear using artificial neural networks // Thin-Walled Structures. 2016. V. 102. P. 158–164. https://doi.org/10.1016/j.tws.2016.01.025
-
Sun Z., Lei Z., Bai R., Jiang H., Zou J., Ma Y., Yan C. Prediction of compression buckling load and buckling mode of hat-stiffened panels using artificial neural network // Engineering Structures. 2021. V. 242. P. 112275. https://doi.org/10.1016/j.engstruct.2021.112275
-
Tahir Z.R., Mandal P., Adil M.T., Naz F. Application of artificial neural network to predict buckling load of thin cylindrical shells under axial compression // Engineering Structures. 2021. V. 248. P. 113221. https://doi.org/10.1016/j.engstruct.2021.113221
-
Ribeiro J.P., Tavares S.M., Parente M. Stress-strain evaluation of structural parts using artificial neural networks // Proceedings of the Institution of Mechanical Engineers, Part L: Journal of Materials: Design and Applications. 2021. V. 235. N 16. P. 1271–1286.https://doi.org/10.1177/1464420721992445
-
Innes M., Saba E., Fischer K., Gandhi D., Rudilosso M.C., Joy N.M., Karmali T., Pal A., Shah V. Fashionable modelling with Flux // arXiv. 2018. arXiv.1811.01457. https://doi.org/10.48550/arXiv.1811.01457