Post sponsored by NewzEngine.com

Source: MIL-OSI Russian Language News

Source: Saint Petersburg State University of Architecture and Civil Engineering – Санкт-Петербургский государственный архитектурно-строительный университет – OptiShellNeuro: фрагмент интерфейса

Аспирант СПбГАСУ Юрий Згода разработал программу OptiShellNeuro – веб-приложение нейросетевого моделирования тонкостенных оболочечных конструкций. Получено свидетельство о государственной регистрации программы для ЭВМ № 2023682977.

– Оболочки активно используются в архитектуре и строительстве, но из-за сложной криволинейной геометрии и нетривиальных математических моделей деформирования их компьютерное моделирование представляет собой длительный трудоёмкий процесс. Классические методы компьютерного моделирования предполагают решение большого количества систем линейных и нелинейных уравнений, численное интегрирование сотен тысяч слагаемых и другие ресурсоемкие вычисления. Моделирование с использованием нейронных сетей (одного из актуальных методов искусственного интеллекта) представляет собой относительно новый подход к расчёту оболочек и позволяет свести сложный многоэтапный вычислительный процесс к серии относительно простых манипуляций по обработке данных.

На тему высокопроизводительного компьютерного моделирования оболочек Юрий Згода пишет кандидатскую диссертацию под научным руководством доцента кафедры информационных систем и технологий Алексея Семенова.

Веб-приложение разрабатывалось в рамках научной школы СПбГАСУ «Компьютерные технологии комплексного исследования прочности, устойчивости и нелинейных колебаний строительных конструкций, зданий и сооружений», основателем которой является профессор Владимир Карпов.

– Нейронные сети можно обучить на некоем наборе данных, «показав» им примеры входных данных и соответствующих решений. По завершении обучения нейросеть может с высокой точностью находить решение, основываясь на «опыте» обработки обучающих данных. В то же время все вычисления, связанные с использованием обученной нейросети, представляют собой фиксированный набор арифметических операций, не требующих использования дорогостоящего оборудования или существенных временны́х затрат для их выполнения. Другими словами, нейронные сети по своей сути позволяют выполнять вычисления значительно быстрее в сравнении с классическими методами моделирования. На данный момент существует несколько исследований, в которых нейронные сети применяются для прогнозирования поведения оболочек под воздействием внешних сил, однако все они в некоторой степени ограничены. Чаще всего нейросети используют только для определения критических нагрузок оболочек, поэтому говорить о полноценном моделировании напряжённо-деформированного состояния не приходится, – рассказал автор.

Наиболее значимый этап при подготовке нейронной сети в целом, без привязки к области моделирования оболочек, – это формирование обучающего набора данных (образцов задач и их решений, на которых обучается нейросеть), выбор архитектуры нейронной сети (определение структуры связей между искусственными нейронами) и обучение нейросети с этой архитектурой.

Для достижения приемлемой точности моделирования обучающие данные должны включать большое количество образцов, из которых нейросеть сможет «извлечь» особенности моделируемого явления. Однако расчёт оболочек классическими методами – длительный вычислительный процесс. Для ускорения вычислений было использовано ранее разработанное ПО OptiShellX, реализующее ряд оригинальных программных оптимизаций.

Ввиду отсутствия каких-либо исследований, связанных с выбором архитектуры нейронной сети в контексте моделирования оболочек, при разработке OptiShellNeuro были рассмотрены несколько десятков различных конфигураций, начиная от наиболее тривиальных и заканчивая сложными конфигурациями с подсетями, проброской параметров и пакетной нормализацией. По результатам исследований была определена наиболее эффективная с точки зрения точности и длительности моделирования конфигурация.

Юрий Згода рассчитал 4410 цилиндрических оболочек, отличающихся друг от друга материалами и параметрами геометрии, а также разработал архитектуру нейросети моделирования напряжённо-деформированного состояния цилиндрической оболочки.

По завершении обучения нейросеть продемонстрировала высокую точность моделирования, при этом длительность расчётов сократилась примерно в тысячу раз, с десятков секунд до сотых долей секунды (точные значения варьируются в зависимости от параметров моделируемых конструкций).

На основе обученной нейросети Юрий Згода создал веб-приложение, позволяющее выполнять расчёты через веб-браузер. Ввиду высокой производительности нейросетевого моделирования есть возможность получать результаты моделирования конструкций практически в реальном времени. Приложение имеет простой пользовательский интерфейс и может визуализировать напряжённо-деформированное состояние в виде интерактивных двухмерных и трёхмерных графиков.

– Разработанная программа позволяет как снизить требования к аппаратной части, так и существенно ускорить расчётный процесс, тем самым ускоряя рабочие процессы у инженеров. Также данная разработка может быть эффективно использована в учебном процессе.

Автор планирует расширить функциональные возможности веб-приложения OptiShellNeuro: реализовать поддержку других типов конструкций помимо цилиндрических и исследовать новые способы дополнительного сокращения длительности вычислений.

Обратите внимание; Эта информация является необработанным контентом непосредственно из источника информации. Это точно соответствует тому, что утверждает источник, и не отражает позицию MIL-OSI или ее клиентов.

Please note; This information is raw content directly from the information source. It is accurate to what the source is stating and does not reflect the position of MIL-OSI or its clients.

MIL OSI

MIL OSI News (multilanguage service