Palun kasuta seda identifikaatorit viitamiseks ja linkimiseks:
http://elartu.tntu.edu.ua/handle/lib/43275| Pealkiri: | Застосування методів машинного навчання для прогнозування діаграм втомного руйнування алюмінієвих сплавів |
| Teised pealkirjad: | The use of machine learning methods in diagram forecasting of aluminum alloys fatigue failure |
| Autor: | Черняк, Дмитрій Віталійович Cherniak, Dmytrii |
| Affiliation: | Тернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологій |
| Bibliographic description (Ukraine): | Черняк Д.В. Застосування методів машинного навчання для прогнозування діаграм втомного руйнування алюмінієвих сплавів : кваліфікаційна робота магістра за спеціальністю „151 — автоматизація та комп’ютерно-інтегровані технології“ / Д.В. Черняк. — Тернопіль : ТНТУ, 2023. — 75 с. |
| Ilmumisaasta: | 30-det-2023 |
| Date of entry: | 2-jaa-2024 |
| Kirjastaja: | Тернопіль, ТНТУ |
| Country (code): | UA |
| Place of the edition/event: | Тернопільський національний технічний університет імені Івана Пулюя |
| Supervisor: | Дідич, Ірина Степанівна Didych, Iryna |
| Committee members: | Дмитрів, Олена Романівна Dmytriv, Olena |
| UDC: | 004.03.8 |
| Märksõnad: | 151 автоматизація та комп’ютерно-інтегровані технології штучний інтелект діаграма втомного руйнування машинне навчання нейронні мережі artificial intelligence fatigue crack growth diagram machine learning method of k-nearest neighborsneural networks booster trees random forests support-vector machine fatigue crack growth підсилені дерева випадкові ліси метод к-найближчих сусідів метод опорно - векторних машин ріст втомної тріщини |
| Number of pages: | 75 |
| Kokkuvõte: | Застосування методів машинного навчання для прогнозування діаграм втомного руйнування алюмінієвих сплавів. 151 – «Автоматизація та комп’ютерно-інтегровані технології» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2023. Кваліфікаційна робота присвячена моделюванню діаграм втомного руйнування різними методами машинного навчання, а саме, нейронними мережами, підсиленими деревами, випадковими лісами, опорно-векторними машинами, k-найближчими сусідами Cherniak D.V.. – The use of machining learning methods in diagram forecasting of aluminum alloys fatigue failure. 151 - "Automation and computer-integrated technologies" - Ternopil Ivan Puluj National Technical University. - Ternopil, 2023. The qualification work is devoted to the modeling of fatigue failure diagrams by various machine learning methods, namely, neural networks, boosted trees, random forests, support-vector machines, k-nearest neighbors. |
| Kirjeldus: | Роботу виконано на кафедрі ком’пютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України Захист відбудеться 30 грудня 2023 р. о 09 .00 годині на засіданні екзаменаційної комісії № 20 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул.Руська, 56, навчальний корпус №1, ауд. 403 |
| Content: | ВСТУП 10 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 12 1.1 Втомне руйнування 12 1.2 Кінетична діаграма втомного руйнування матеріалів 14 1.3 Огляд основних рівнянь для опису швидкості РВТ 16 1.4 Роль асиметрії циклу навантаження……………………………………… РОЗДІЛ 2. ТЕХНОЛОГІЧНА ЧАСТИНА 20 2.1 Огляд сучасних досягнень у використанні машинного навчання для аналізу втоми матеріалів 12 2.2 Роль машинного навчання у дослідженні втоми матеріалів 14 РОЗДІЛ 3. КОНСТРУКТОРСЬКА ЧАСТИНА 23 3.1 Опис алгоритмів штучного інтелекту 25 3.2 Вибір та обгрунтування методів машинного навчання 23 3.3 Архітектура нейронних мереж 26 3.4 Алгоритм підсилених дерев 32 3.5 Метод випадкових лісів 36 3.6 Метод к-найближчих сусідів 39 3.7 Метод опорно-векторних машин 40 РОЗДІЛ 4. НАУКОВО-ДОСЛІДНА ЧАСТИНА 43 4.1 Процес збору, обробки та підготовки даних для моделювання 43 4.2 Поділ даних на навчальний та тестовий набори 44 4.3 Прогнозування діаграм втомного руйнування алюмінієвого сплаву Д16Т…………………………………………………………………………………44 4.4 Аналіз результатів якості прогнозування 45 РОЗДІЛ 5. СПЕЦІАЛЬНА ЧАСТИНА 51 5.1 Реалізація та навчання моделей на підготовлених даних 51 РОЗДІЛ 6. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 65 6.1 Характеристика шкідливих факторів виробничого середовища 65 6.2 Забезпечення безпеки життєдіяльності при роботі з ПК 67 ВИСНОВКИ 72 ПЕРЕЛІК ДЖЕРЕЛ 74 ДОДАТКИ |
| URI: | http://elartu.tntu.edu.ua/handle/lib/43275 |
| Copyright owner: | Черняк Д.В., 2023 |
| References (Ukraine): | Ясній П.В. Пластично деформовані матеріали: втома і тріщиностійкість. Львів: Світ, 1998. 292 p. 2. Kuna M. Finite Elements in Fracture Mechanics: Theory-Numerics-Applications. Springer, 2013. 446 p. 3. Варфоломеев І.В., Ясній.О.П. Моделювання руйнування імовірнісними методами елементів конструкцій з тріщинами // Фіз.-хім. механіка матеріалів. 2008. Vol. 44, № 1. P. 76–83. 4. Ясній О.П., Собчак.А.Р., Ясній В.П. Оцінювання ймовірності руйнування колектора пароперегрівника // Фіз.-хім. механіка матеріалів. 2014. Vol. 50, № 3. P. 63–68. 5. Paris P.C. The growth of fatigue cracks due to variations in load : Ph.D.Thesis. Lehight University, 1962. 263 p. 6. Осташ О.П., Панасюк В.В. До питання про зародження втомних макротріщин у зразках із надрізом // Проблемы прочности. 2000. № 5. P. 19–33. 7. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353. 8. Robin C., Louagh M., Pluvinage G. Influence of an overload on the fatigue crack growth in steels // Fatigue of Eng. Mater. And Struct. 1983. Vol. 6, № 1. P. 1–13. 9. Haykin S. Neural Networks - A Comprehensive Foundation - Simon Haykin. McMaster University, Hamilton, Ontario, Canada, 2006. P. 823. 10. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989. 11. Gentleman R., Hornik K., Parmigiani G. Series Editors. 12. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997. 13. Шаховська Н.Б., Камінський Р.М., Вовк О.Б. Системи штучного інтелекту: навч. посібник. Львів: Видавництво Львівської політехніки, 2018. 392 p. 14. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010. 15. Pidaparti R.M.V., Palakal M.J. Neural network approach to fatigue-crack-growth predictions under aircraft spectrum loadings // J Aircr. 1995. Vol. 32, № 4. P. 825–831. 16. Mohanty J.R. et al. Application of artificial neural network for predicting fatigue crack propagation life of aluminum alloys // Archives of Computational Materials Science and Surface Engineering. 2009. Vol. 1, № 3. P. 133–138. 17. Ясній О.П. et al. Прогнозування діаграм втомного руйнування алюмінієвого сплаву Д16Т методами машинного навчання // Фізико-хімічна механіка матеріалів. 2018. Vol. 54, № 3. P. 43–48. 18. Didych I. et al. Evaluation of structural elements lifetime by neural network // Acta Metallurgica Slovaca. 2018. Vol. 24, № 1. P. 82–87. 19. Ясній П., Пиндус Ю., Фостик В. Вплив асиметрії циклу навантаження на характеристики циклічної тріщиностійкості алюмінієвого сплаву Д16Т // Вісник Тернопільськ. держ. техн. ун-ту. 2007. Vol. 12, № 1. P. 7–12. |
| Content type: | Master Thesis |
| Asub kollektsiooni(de)s: | 151 — автоматизація та комп’ютерно-інтегровані технології |
Failid selles objektis:
| Fail | Kirjeldus | Suurus | Formaat | |
|---|---|---|---|---|
| Mahisterska_robota_Cherniak_D_2023.pdf | Кваліфікаційна робота магістра | 2,66 MB | Adobe PDF | Vaata/Ava |
| Avtorska_dovidka_Cherniak_D_2023.pdf | Авторська довідка | 522,02 kB | Adobe PDF | Vaata/Ava |
Kõik teosed on Dspaces autoriõiguste kaitse all.
Admin vahendid