Сайт Информационных Технологий

ПРИМЕНЕНИЕ НЕЙРОСЕТИ ДЛЯ ИССЛЕДОВАНИЯ ТОНКОСТЕННЫХ КОНСТРУКЦИЙ ДИРИЖАБЛЯ ПРИ ДИНАМИЧЕСКИХ НАГРУЖЕНИЯХ

Е.Г. Евсеев1, П.Г. Круг2, А.В. Шилин2

1Российский государственный технологический университет

им. К.Э. Циолковского (МАТИ),

2Московская государственная академия приборостроения и информатики (МГАПИ)

Abstract – The paper examines the research software on the basis of neural network which provides effective simulation of processes arising as a result of impulse load on the surface of cross-sectional closed contour thin-slab curvilinear articles of dirigibles. The results of selecting neural network optimum structure for automated evaluation of liner theory suitability and for calculation of thin-slab structure dynamic conduct are considered.

1. Анализ моделируемых процессов

Применение композитных материалов в тонкостенных элементах конструкций позволяет наиболее полно реализовать их специфические свойства, высокие удельные прочностные характеристики. Наряду с широко распространенными типовыми элементами в виде оболочек вращения, панелей и стержней перспективным представляется использование тонкостенных криволинейных стержней с замкнутым контуром сечения. Большой практический интерес представляют круговые элементы типа тора. Плоские криволинейные рамы встречаются в конструкциях летательных аппаратов и в составе судовых корпусов. При этом, нагрузка часто не лежит в плоскости кривизны таких элементов и характер нагружения не всегда является статическим.

Среди вопросов общей теории тонкостенных стержней [1], рассматриваются задачи статики криволинейных стержней с произвольным жестким контуром: изгиб и кручение плоского стержня с круговой осью малой кривизны, пространственная устойчивость круговых стержней, арок и торообразных оболочек с жестким профилем. Исследования свободных, вынужденных и случайных колебаний пространственно-криволинейных стержней [2] и исследование распространения волн продольных деформаций прямолинейных стержней со сплошным сечением затруднены, так как в литературе практически не имеется решений задач о распространении упругих волн в пространственно криволинейных стержнях.

Таким образом, представляет интерес задача модельного исследования динамических процессов, возникающих в тонкостенных прямолинейных и криволинейных композитных стержнях при импульсном воздействии, в программных средах, способных снизить удельный вес рутинных процедур при оценке эффективности конструкций, а также методов их расчета [4-6].

Пример функционирования исследовательской среды, построенной с использованием нейросетевых технологий, в докладе иллюстрирован при моделировании эффектов, возникающих в результате воздействия импульсной нагрузки в направлении, ортогональном плоскости кривизны композиционных стержней.

2. Структура программной среды

Обобщенная структура программной среды исследования конструкций из композиционных материалов, а также методов расчета этих конструкций (рис.1) включает в себя следующие подсистемы:

Рис. 1. Обобщенная структура программной среды исследования

3. Типовой алгоритм принятия решений

Ядро программной среды исследования тонкостенных композитных элементов конструкций в режиме импульсного нагружения построено с использованием типовых решений построения САПР (рис 2).

4. Нейронная сеть

Когда нет необходимости, чтобы сеть в явном виде выдавала образец, т.е. когда достаточно, скажем, получать номер образца, ассоциативную память успешно реализует сеть Хэмминга. Данная разновидность нейросети характеризуется (что видно по ее структуре, рис. 3), в сравнении с чаще используемой сетью Хопфилда, снижением затрат на память и также снижением общего объема вычислений.

В основу программной среды исследования, рассматриваемой в докладе, положена нейронная сеть Хемминга, структура которой изображена на рис.3.

Идея данной конфигурации сети моделирования процессов, возникающих в результате воздействия импульсной нагрузки на поверхность тонкостенных криволинейных изделий с замкнутым контуром сечения, состоит в нахождении расстояния Хэмминга от тестируемого образца до всех образцов.

 

Рис. 2. Типовой алгоритм принятия решений

Рис. 3. Структура нейронной сети Хемминга

При этом, расстоянием Хэмминга принято считать число отличающихся битов в двух бинарных векторах. Сеть выбирает образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу.

На стадии инициализации весовым коэффициентам первого слоя и порогу активационной функции присваиваются следующие значения:

, i=0...n-1, k=0...m-1

Tk = n / 2, k = 0...m-1

Здесь xik – i-ый элемент k-ого образца.

Весовые коэффициенты тормозящих синапсов во втором слое берут равными некоторой величине 0 < e < 1/m. Синапс нейрона, связанный с его же аксоном имеет вес +1.

Алгоритм функционирования сети Хэмминга следующий:

1. На входы сети подается неизвестный вектор X = {xi:i=0...n-1}, исходя из которого рассчитываются состояния нейронов первого слоя (верхний индекс в скобках указывает номер слоя):

, j=0...m-1

После этого полученными значениями инициализируются значения аксонов второго слоя:

yj(2) = yj(1), j = 0...m-1

2. Вычислить новые состояния нейронов второго слоя:

и значения их аксонов:

Активационная функция f имеет вид порога, причем величина F должна быть достаточно большой, чтобы любые возможные значения аргумента не приводили к насыщению.

3. Проверить, изменились ли выходы нейронов второго слоя за последнюю итерацию. Если да – перейди к шагу 2. Иначе – завершение алгоритма.

При внимательной оценке алгоритма видно, что роль первого слоя весьма условна: воспользовавшись один раз на шаге 1 значениями его весовых коэффициентов, сеть больше не обращается к нему, поэтому первый слой может быть вообще исключен из сети (заменен на матрицу весовых коэффициентов).

5. Пример

В качестве типовой задачи применения программной среды для исследования поведения тонкостенных конструкций при динамических нагружениях, в докладе приводится пример расчета аэрогидроупругости в полной постановке для конструкции дирижабля “АЛА-500” со следующими габаритами: длинна - 224 м., ширина - 110 м (рис. 4).

Рис. 4. Упрощенная модель аппарата типа “АЛА-50”

Рис. 5. Типовая реакция конструкции дирижабля после момента нагружения, полученная в результате применения программной среды

В ходе модельного эксперимента динамическая нагрузка была приложена по всей оси и действовала в течение времени 0 ? t ? 800 (рис. 5).

Литература

  1. Власов В.З. Тонкостенные упругие стержни. М.: ГИФМЛ, 1959. 568 с.
  2. Светлицкий В.А. Механика стержней. Ч. 2. Динамика. М.: Высшая школа, 1987. 304 с.
  3. Магомедов К.М., Холодов А.С. Сеточно-характеристические численные методы. М.: Наука, 1988. 290 с.
  4. Евсеев Е.Г., Круг П.Г., Шилин А.В. Принципы построения автоматизированной системы анализа динамического поведения тонкостенных композитных конструкций/ Динамические и технологические проблемы механики конструкций и сплошных сред: Тез. докл. V межд. симп./ М.: “Графрос”, 1999 г.
  5. Евсеев Е.Г. Анализ динамического поведения ортотропных оболочек на основе сеточно-характеристических методов / Теория пластин и оболочек: Тр. Всес. конф. Т. 1. Тбилиси: Тбил. Гос. ун-т, 1987. С. 512-517.
  6. Евсеев Е.Г., Семенов А.Ю. Метод для численного решения уравнений динамических тонкостенных оболочек, основанный на выделении сильноосцилирующих компонент// Доклады АН СССР. 1990. Т. 310. № 4 . С. 785-788.
  7. Haykin S., Neural Networks: A Comprehensive Foundation. New York: Macmillan Publishing, 1994.
  8. Anderson J.. An Introduction to Neural Networks. MIT Press, Cambridge. 1995. 650 p.

Site of Information Technologies
Designed by  inftech@webservis.ru.