viagra super force

+7(495) 123-XXXX  г. Москва

Выпуски журналов

  • Серия
  • Серия
  • Серия
  • Серия
  • Журнал
  • Журнал
  • Журнал
  • Журнал

Д.А. Акимов,  (К.т.н., МГТУ МИРЭА, Москва)

В.В. Котельников,  (К.т.н., МГТУ МИРЭА, Москва)

Д.А. Скоселева,  (Аспирант, МГТУ МИРЭА, Москва)

А.Ю. Дятченкова,  (Аспирант, МГТУ МИРЭА, Москва)

Серия «Естественные и Технические науки» # ЯНВАРЬ  2017

Предельный ресурс
Рассмотрена задача прогнозирования предельного ресурса конструкций железобетонных сооружений на основе нейронных сетей. Проведен анализ результатов применения сверточной нейронной сети для прогнозирования и оценки предельного ресурса.

Ключевые слова: Предельный ресурс, оценка конструкций, глубинное обучение, свёрточные нейронные сети, корреляция Кендалла, deep learning.

 

Введение

Прогнозирование технического состояния конструкций, очень важный инструмент оценки остаточного ресурса конструкций. Как правило, оценка основывается на данных инструментальных измерений и описании визуального осмотра дефектов и состояния элементов конструкций. Контроль объектов может быть осуществлён с помощью различных инструментальных средств и методов основанных, на различных физических принципах: мониторинг влажности, радиоактивности, акустической и ультразвуковой дефектоскопии, и визуального контроля. Современный уровень развития технологии в области полупроводниковых компонентов позволяет создавать системы мониторинга, в которых обработка информации происходит по принципам самоорганизации и распределённых вычислений с помощью, так называемых интеллектуальных датчиков [3], которые взаимодействуют между собой, используя методы обработки информации, основанные на моделях интеллектуального мониторинга [4]. Такие интеллектуальные датчики принято называть сенсорными узлами. Подобная технология объедения маломощных беспроводных сенсорных узлов получила название беспроводных сенсорных сетей (БСС) [5], а основанные на этом принципе системы мониторинга принято называть беспроводными многоячеистыми системами мониторинга (БМСМ).

Подобные технологии измерения предоставляют много данных, однако в сыром виде такое количество данных почти бесполезно. Для автоматизированного анализа необходимо применить интеллектуальные методы, среди которых сейчас выделяются своей эффективностью нейронные сети.

1 Формализация постановки задачи оценки и прогноза

Уровень повреждений и деформаций, при исследовании конструкций сложной формы, состоящей из множества узлов, имеет плохую степень формализации. При реальном обследовании измерения делаются только на части конструкции, поэтому определить причины достаточно сложно, на данный момент осуществляется только анализ существующих дефектов и делаются рекомендации по укреплению конструкций на основе экспертного мнения специалиста. Однако такой подход плох тем, что зависит от опыта конкретного человека или группы, а в ряде случаев осуществляется неправильная интерпретация результатов измерений и невозможно оценить полную картину, так как при аналитической работе человека упускаются возможные связи между данными.

2 Метод прогноза с помощью свёрточной нейронной сети

Для того что бы найти регрессию между прогнозируемым и текущем состоянием необходимо рассмотреть текущее состояние как вектор предикторов состояния дефектов и выбрать наиболее критичные из них.

Классом моделей, успешно решающих задачу регрессии, являются сверточная нейронная сеть (Convolutional Neural Network, CNN) [2]. Сверточные нейронные сети относятся к парадигме машинного обучения «deep learning», которая очень хорошо зарекомендовала на различных задачах. Принцип ее использования заключается в последовательном применении операций свертки и выбора максимального значения (max-polling [3]). Схематически сверточная модель для анализа текстовых данных изображена на рис. 1.

Рассмотрим основные гиперпараметры всех нейросетей:

α – коэффициент обучения (learning rate);
λ – коэффициент L2-регуляризации;
w – размер векторного представления текстового токена;
с – количество нейронов промежуточного слоя.

Читать полный текст статьи …


СПИСОК ЛИТЕРАТУРЫ:
1. Distributed representations of words and phrases and their compositionality / T. Mikolov [et al.] // Advances in Neural Information Processing Systems. – 2013. – P. 3111–3119.
2. Kim, Y. Convolutional neural networks for sentence classification / Y. Kim // arXiv preprint arXiv:1408.5882. – 2014
3. Будадин О.Н., Каледин В.О., Кульков А.А., Пичугин А.Н., Нагайцева Теоретические и экспериментальные исследования возможности теплового контроля пространственной конструкции из полимерного композиционного материала в процессе одноосного силового нагружения. - Контроль. Диагностика. - № 5 (191), 2014, с.72-81
4. Морозова Т.Ю., Бекаревич А.А., Будадин О.Н. Новый подход к идентификации дефектов материалов изделий. - Контроль. Диагностика. - № 8 (194), 2014, с.42-48.
5. Акимов Д.А., Работкин В. Д. Терёхин И. В. Редькин О. К. Представление знаний в распределенных информационных системах промышленных предприятий.// Промышленные АСУ и контроллеры. Научтехлитиздат, 2013, №1, С 33-38
6. Акимов Д.А., Сумкин К.С., Морозова Т.Ю. Автоматизация использования стереозрения по методам выделения управляющих воздействий и нечеткой логики. // Материалы международной научно-практической конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании 2012». – Выпуск 4. Том 12. – Одесса: С. 60-66.
 



© 
Д.А. Акимов, В.В. Котельников, Д.А. Скоселева, А.Ю. Дятченкова, Журнал "Современная наука: актуальные проблемы теории и практики".
 

 

 

 
SCROLL TO TOP

 Rambler's Top100 @Mail.ru