Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen:
http://elartu.tntu.edu.ua/handle/lib/45753| Titel: | Математичне моделювання експлуатаційних характеристик матеріалів на основі алюмінію методами машинного навчання |
| Sonstige Titel: | Mathematical Modeling of Operational Characteristics of Aluminum-Based Materials Using Machine Learning Methods. |
| Autor(en): | Заваринський, Олег Іванович Zavarynskyi, Oleh |
| Affiliation: | Тернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологій |
| Bibliographic description (Ukraine): | Заваринський О.І. – Математичне моделювання експлуатаційних характеристик матеріалів на основі алюмінію методами машинного навчання.: кваліфікаційна робота бакалавра за спеціальністю 151 – «Автоматизація та комп’ютерно-інтегровані технології» / О.І. Заваринський – Тернопіль: ТНТУ, 2024. – 62 с. |
| Erscheinungsdatum: | 26-Jun-2024 |
| Date of entry: | 3-Jul-2024 |
| Herausgeber: | ТНТУ, Тернопіль |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль, ТНТУ |
| Supervisor: | Дідич, Ірина Степанівна Didych, Iryna |
| Committee members: | Козбур, Ігор Романович Kozbur, Ihor |
| UDC: | 004.03.8 |
| Stichwörter: | штучний інтелект випадкові ліси нейронні мережі машинне навчання підсилені дерева artificial intelligence neural networks machine learning random forests booster trees |
| Number of pages: | 62 |
| Zusammenfassung: | Заваринський О.І. – Математичне моделювання експлуатаційних характеристик матеріалів на основі алюмінію методами машинного навчання.. 151 – «Автоматизація та комп’ютерно-інтегровані технології» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2024. Кваліфікаційна робота присвячена моделюванню швидкості РВТ різними методами машинного навчання, а саме, нейронними мережами, підсиленими деревами та випадковими лісами. Проаналізувавши методи МН та застосувавши ïх на практиці, отримано досить високі результати моделювання і проведено порівняння з експериментальними даними. Zavarynskyi O.I.. – Mathematical Modeling of Operational Characteristics of Aluminum-Based Materials Using Machine Learning Methods.. 151 - "Automation and computer-integrated technologies" - Ternopil Ivan Puluj National Technical University. - Ternopil, 2024. The qualification work is devoted to the modeling of FCG rate by various machine learning methods, namely, neural networks, boosted trees and random forests. Having analyzed the methods of ML and applied them in practice, we have obtained quite high modeling results and compared them with experimental data. |
| Beschreibung: | Роботу виконано на кафедрі ком’пютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України Захист відбудеться 26 червня 2024 р. о 09 .00 годині на засіданні екзаменаційної комісії № 21 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул.Руська, 56, навчальний корпус №1, ауд. 406 |
| Content: | ВСТУП 6 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 8 1.1 Аналіз втомного руйнування елементів конструкцій 8 1.2 Найпоширеніші рівняння для опису швидкості РВТ 11 РОЗДІЛ 2. ПРОЕКТНА ЧАСТИНА 16 2.1 Постановка задачі моделювання швидкості РВТ 16 2.2 Вибір методів машинного навчання для дослідження швидкості РВТ…………………………………………………………………………………..16 2.3 Алгоритм НМ 20 2.4 Процес начання НМ 24 2.5 Метод підсилених дерев 28 2.6 Метод випадкових лісів 31 2.7 Підготовка даних до моделювання 33 2.8 Розробка програмного забезпечення для моделювання РВТ 36 РОЗДІЛ 3. СПЕЦІАЛЬНА ЧАСТИНА 46 3.1 Аналіз результатів прогнозування швидкості РВТ алюмінієвого сплаву Д16Т 46 3.2 Порівняння результатів з експериментальними даними 51 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 53 4.1 Характеристика шкідливих факторів виробничого середовища 53 4.2 Забезпечення безпеки життєдіяльності при роботі з ПК 55 ВИСНОВКИ 60 ПЕРЕЛІК ПОСИЛАНЬ 61 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/45753 |
| Copyright owner: | © Заваринський О.І., 2024 |
| References (Ukraine): | Kuna M. Finite Elements in Fracture Mechanics: Theory-Numerics-Applications. Springer, 2013. 446 p. 2. Ясній П.В. Пластично деформовані матеріали: втома і тріщиностійкість. Львів: Світ, 1998. 292 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. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353. 7. Haykin S. Neural Networks - A Comprehensive Foundation - Simon Haykin. McMaster University, Hamilton, Ontario, Canada, 2006. P. 823. 8. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989. 9. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997. 10. Шаховська Н.Б., Камінський Р.М., Вовк О.Б. Системи штучного інтелекту: навч. посібник. Львів: Видавництво Львівської політехніки, 2018. 392 p. 11. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010. 12. 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. 13. 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. 14. 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. 15. Didych I. et al. Evaluation of structural elements lifetime by neural network // Acta Metallurgica Slovaca. 2018. Vol. 24, № 1. P. 82–87. 16. 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. 17. Didych, I., Yasniy, O., Pasternak, I., & Sobashek, L. (2022). Modelling of AL-6061 aluminum alloy deformation diagrams by machine learning methods. Procedia Structural Integrity, 42, 1344-1349. 18. Yasniy, O., Pastukh, O., Didych, I., Yatsyshyn, V., & Chykhira, I. (2023). Application of machine learning for modeling of 6061-T651 aluminum alloy stress− strain diagram. Procedia Structural Integrity, 48, 183-189. |
| Content type: | Bachelor Thesis |
| Enthalten in den Sammlungen: | 151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври) |
Dateien zu dieser Ressource:
| Datei | Beschreibung | Größe | Format | |
|---|---|---|---|---|
| KRB_Zavarynskyi_O_2024.pdf | Кваліфікаційна робота бакалавра | 1,06 MB | Adobe PDF | Öffnen/Anzeigen |
| Avtorska_Zavarynskyi_O_2024.pdf | Авторська довідка | 267,07 kB | Adobe PDF | Öffnen/Anzeigen |
Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.
Administrationswerkzeuge