Об организации архитектур и алгоритмов обучения нейронных сетей для прогнозирования жаропрочности многокомпонентных сплавов

Н. И. Юсупова, О. С. Нургаянова, Р. А. Фаррахов

Аннотация


Рассматриваются методы прогнозирования жаропрочности никелевых сплавов по заданному химическому составу при помощи полносвязных нейронных сетей (многослойных персептронов) и ансамбля моделей, полученного на основе них. Приводится подробное описание используемых методов обучения и тестирования сетей и ансамбля моделей. Отдельное внимание уделено подходам, позволяющим повысить точность предсказаний. Кратко дается представление о реализации используемых алгоритмов с помощью фреймворков Tensorflow и Tensorflow Keras. Приводится сравнение результатов работы нейросетей для различных сплавов.

Ключевые слова


искусственные нейронные сети; ансамбли моделей; полносвязная нейронная сеть; алгоритм обучения; жаропрочные никелевые сплавы; прогнозирование свойств; Tensorflow; Keras; Python

Полный текст:

PDF

Литература


Sims C. T., Stoloff N. S., Hagel W. C. Superalloys II: High-Temperature Materials for Aerospace and Industrial Power. 2nd Edition. New York: John Willey & Sons Inc., 1987. 640 p.

Нургаянова О. С. Автоматизированное проектирование литейных жаропрочных никелевых сплавов на основе методов искусственного интеллекта: дис. … канд. техн. наук: 05.13.12. Уфа, 2006. 152 c.: ил. [ O. S. Nurgayanova, Computer-aided design of cast heat-resistant nickel alloys based on artificial intelligence methods: Cand. Diss. Abstr., (in Russian). Ufa, 2006. ]

Трунин В. Ф. Разработка жаропрочных сплавов на никелевой основе с рабочей температурой до 1300 C:

дис. … канд. техн. наук: 05.16.01. Москва, 2007. 211 с.

[ V. F. Trunin, Development of heat-resistant nickel-based alloys with operating temperatures up to 1300 C, Cand. Diss. Abstr., (in Russian). Moscow, 2007. ]

Нургаянова О. С. Применение искусственных нейронных сетей в задачах классификации многокомпонентных сплавов // Труды VI Всероссийской научной конференции «Информационные технологии интеллектуальной поддержки принятия решений», (Уфа–Ставрополь, Май 28–31 2018). Уфа: УГАТУ, 2018. Т. 3. С. 21−26.

[ O. S. Nurgayanova, “Application of artificial neural networks in the problems of classification of multicomponent alloys”, (in Russian), in Proceedings of the 6th All-Russian Scientific Conference “Information Technologies for Intelligent Decision Making Support”, 2018, vol. 3, pp. 21-26. ]

Cybenko G. Approximation by Superpositions of a Sigmoidal Function // Mathematics of Control, Signals and Systems. 1989. Vol. 2, Iss. 4. Pp. 303-314.

Jasbir Singh Arora. Introduction to Optimum Design. Moscow: Academic Press, 2017. 968 p.

Гасников А. В. Современные численные методы оптимизации. Универсальный градиентный спуск. М.: МФТИ, 2018. 286 с.: ил. [ A. V. Gasnikov, Modern numerical optimization methods. Universal gradient descent, (in Russian). Moscow: MFTI, 2018. ]

Micol Marchetti-Bowick. Convex Optimisation Lecture 6. [Электронный ресурс]. URL: https://www.stat.cmu.edu/~ ryantibs/convexopt-F13/scribes/lec6.pdf (дата обращения 4.05.2021). [ Micol Marchetti-Bowick (2021, May 04), “Convex Optimisation Lecture 6”. [Online]. Available: https:// www.stat.cmu.edu/~ryantibs/convexopt-F13/scribes/lec6.pdf ]

The Marginal Value of Adaptive Gradient Methods in Machine Learning / A. C. Wilson, et al. // Advances in Neural Information Processing Systems. 2017. Pp. 4148-4158.

Mateusz Opala. Deep Learning Frameworks Comparison – Tensorflow, PyTorch, Keras, MXNet, The Microsoft Cognitive Toolkit, Caffe, Deeplearning4j, Chainer. [Электронный ресурс]. URL: https://www.netguru.com/blog/deep-learning-frameworks-comparison (дата обращения 4.05.2021) [ Mateusz Opala (2021, May 4), “Deep Learning Frameworks Comparison – Tensorflow, PyTorch, Keras, MXNet, The Microsoft Cognitive Toolkit, Caffe, Deeplearning4j, Chainer”. [Online]. Available: https://www.netguru.com/blog/deep-learning-frameworks-comparison ]

Project Jupyter. [Электронный ресурс]. URL: https://jupyter.org/ (дата обращения 4.05.2021). [ Project Jupyter (2021, May 4). [Online]. Available: https://jupyter.org/ ]


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2022 Н. И. Юсупова, О. С. Нургаянова, Р. А. Фаррахов