Аннотация.

В статье рассматривается вопросы прогнозирования свойств жаропрочных никелевых сплавов с монокристаллической структурой, применяемых в авиационной промышленности для изготовления лопаток газотурбинных двигателей. Приводятся постановка задачи, модели, методы и алгоритмы решения с помощью технологии искусственных нейронных сетей. Даны подробные описания алгоритмов для решения задачи прогнозирования свойств сплавов с помощью нейронных сетей – алгоритм обратного распространения ошибки и генетический алгоритм обучения; сравнение результатов прогнозирования свойств сплавов с помощью нейронных сетей, обученных методом обратного распространения ошибки и генетическим алгоритмом; особенности программной реализации и обсуждение полученных результатов.

Ключевые слова:

нейронные сети, жаропрочные никелевые сплавы, обратное распространение ошибки, генетический алгоритм обучения.

Стр. 22-28.

DOI: 10.14357/20790279190403

 Полная версия статьи в формате pdf.

Литература

1. Рутковская Д., Пилинский М., Рутковский Л. «Нейронные сети, генетические алгоритмы и нечеткие системы», М.: Горячая линия - Телеком, 2006.
2. Хайкин С. «Нейронные сети: полный курс», Пер. с англ.- М.: Издательский дом «Вильямс», 2006.
3. Дюк В., Самойленко А. «Data Mining: учебный курс (+CD)», СПб: Питер, 2001.
4. Круглов В., Борисов В. «Искусственные нейронные сети. Теория и практика», М.:Горячая линия–Телеком, 2001.
5. Superalloys II: High-Temperature Materials for Aerospace and Industrial Power 2nd Edition Chester T. Sims, Norman S. Stoloff, William C. Hagel © 1987 by John Willey & Sons Inc.
6. Рахманкулов М.М., Паращенко В.М. Технология литья жаропрочных сплавов. М: Интермет-Инжиниринг, 2000 – 464 с.
7. Нургаянова О.С. Автоматизированное проектирование литейных жаропрочных никелевых сплавов на основе методов искусственного интеллекта: дис. канд. техн. наук. — Уфа, 2006.
8. Нургаянова О.С. Применение искусственных нейронных сетей в задачах классификации многокомпонентных сплавов // Proceedings of the 6th All-Russian Scientific Conference «Information Technologies for Intelligent Decision Making Support», Volume 3, May 28-31, Ufa- Stavropol, Russia, 2018
9. Айвазян С.А. Анализ данных, прикладная статистика и построение общей теории автоматической классификации// Методы анализа данных/ Пер. с фр. — М.: Финансы и статистика, 1985.
10. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. – Cambridge University Press, 2014. 593 c.
11. Rashid T. Make Your Own Neural Network. CreateSpace, 2016. — 222 p.
12. Groumpos, P.P. (2016). Deep Learning vs. Wise Learning: A Critical and Challenging Overview. In IFAC Intern. Conf. on International Stability, Technology and Culture, TECIS 2016, Durres, Albania.
13. Юсупова Н.И., Ризванов Д.А., Сметанина О.Н., Еникеева К.Р. Модели представления знаний для поддержки принятия решений при управлении сложными системами в условиях неопределенности и ресурсных ограничений / Information technologies for intelligent decision making support (ITIDS’2016) Proceedings of the 4th International Conference. 2016
14. Обработка слабоструктурированной информации на основе методов искусственного интеллекта: монография / Н. И. Юсупова, Д.Р. Богданова, М. В. Бойко.– М.: Инновационное машиностроение, 2016. – 250 с.
15. Гузаиров М.Б., Юсупова Н.И., Сметанина О.Н. и др. Методические аспекты искусственного интеллекта (монография) / Уфимский государственный авиационный технический университет, Научный совет РАН по методологии искусственного интеллекта, Рецензенты: профессор В.М. Картак, профессор Д.Е. Сорокин. Москва, 2014.