Обучение нейросети для определения коэффициента максимального заполнения полимерной основы модельной энергетической конденсированной системы порошкообразными компонентами

Авторы: Шаров Г.С.
Опубликовано в выпуске: #8(85)/2023
DOI: 10.18698/2541-8009-2023-8-927
Раздел: Авиационная и ракетно-космическая техника | Рубрика: Проектирование, конструкция и производство летательных аппаратов
Ключевые слова: нейронные сети, персептрон, искусственный интеллект, Python, Keras, оптимизация гранулометрического состава, предельное объемное наполнение дисперсными частицами, модельная энергетическая конденсированная система
Опубликовано: 30.08.2023

Оптимизирован гранулометрический состав перхлората аммония путем вычисления предельной степени объемного наполнения с помощью нейронной сети. Написание кода для нейронной сети осуществлялось с использованием языка программирования Python 3.0 с импортированной библиотекой Keras. Выбраны оптимальные параметры нейронной сети. Применен встроенный в библиотеку Keras метод EarlyStopping в целях устранения проблемы переобучения нейронной сети. Проанализированы результаты работы нейронной сети. Визуализирована полученная зависимость коэффициента максимального заполнения полимерной основы с помощью треугольных диаграмм Гиббса. Установлена актуальность использования нейронных сетей при оптимизации гранулометрического состава модельной энергетической системы.

Литература

[1] Ермилов А.С. Теоретические основы процессов получения и переработки полимерных материалов. Пермь, Перм. гос. техн. ун-т, 2009, 159 с.

[2] Минский М., Пейперт С. Персептроны. Москва, Мир, 1971, 261 с.

[3] Латкина И.И. Обзор возможностей TensorFlow для решения задач машинного обучения. Инноватика, 2015, № 1, с. 33–42.

[4] Аликин В.Н., Вахрушев А.В., Голубчиков В.Б. и др. Твердые топлива реактивных двигателей. Москва, Машиностроение, 2011, т. 4, 380 с.

[5] Нуруллаев Э.М., Ермилов А.С., Гуров Д.С. Оптимизация гранулометрического состава твердых дисперсных наполнителей полимерных композиционных материалов. Вестник Пермского национального исследовательского политехнического университета. Аэрокосмическая техника, 2013, № 34, с. 108–123.

[6] МакГрат М. Программирование на Python для начинающих. Москва, Эксмо, 2015, 192 с.

[7] Толмачев С.Г. Системы искусственного интеллекта. Нейросетевые модели. Санкт-Петербург, БГТУ, 2011.

[8] Метрики в задачах машинного обучения. URL: https://habr.com/ru/company/ods/blog/328372/ (дата обращения 15.02.2023).

[9] Keras: The Python Deep Learning library. URL: https://keras.io/ (дата обращения 22.04.2023).

[10] Платонов А.В. Машинное обучение. Москва, Юрайт, 2023, 85 с. URL: https://urait.ru/bcode/520544 (дата обращения 22.04.2023).