Подробное описание документа

   Создание робастных моделей аппроксимации функций перемещения точек деформируемых тел с помощью нейронных сетей с использованием нелинейных элементов разного вида / Зайцев А. И., Трубин А. Е., Сибирев И. В., Скопин В. И., Буланова Т. А., Буланов В. А., Чантурия Г. Т. // Приборы и системы. Управление, контроль, диагностика. - 2025. - № 5. - С. 23-31.

При проектировании технологических процессов обработки металлов давлением остро стоит задача быстрого и точного расчета параметров это процесса. Одним из универсальных методов расчетов является метод работ, однако, для его реализации требуется знать уравнение перемещения материальных точек деформируемого тела. Подбор такого уравнения проводится множеством способов, в том числе, аппроксимация с помощью нейросетевых технологий. Для решения, основанного на широко применяемых классических нейронных сетях, требуется большое количество обучающих наборов данных, необходимый объем которых практически невозможно собрать в реальных условиях подготовки производства. Цель работы состоит в проектировании программного решения, позволяющего при небольшом количестве экспериментальных данных, обладающих некоторой погрешностью, получить достаточно точную функцию аппроксимации. С учетом того, что исходные данные получают методом сеток, предложена модель многослойной нейронной сети, непосредственно связанной с их структурой. Для обучения используется генетический алгоритм способный, при последовательном переборе, обучаться на небольших объемах данных. Для повышения устойчивости решения к погрешностям исходных данных, в персептронах сети применяется логарифмическая функция, которая кроме того, что обеспечивает необходимую нелинейность, позволяет повысить робастность решения. Сокращение количества подбираемых коэффициентов для логарифмических базисов повышает производительность программы и позволяет генерировать более точные модели аппроксимации, учитывающие большее количество данных. Приведенные результаты практического анализа исходных данных показали способность созданного алгоритма быстро и точно аппроксимировать исходные данные разного качества и объема, в том числе имеющие погрешности.
Ключевые слова аппроксимирующая функция, метод работ, нейронная сеть, обработка давлением, генетический алгоритм, функционал ошибки, нелинейные элементы