1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври)
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/45753
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.advisorДідич, Ірина Степанівна-
dc.contributor.advisorDidych, Iryna-
dc.contributor.authorЗаваринський, Олег Іванович-
dc.contributor.authorZavarynskyi, Oleh-
dc.date.accessioned2024-07-03T10:22:32Z-
dc.date.available2024-07-03T10:22:32Z-
dc.date.issued2024-06-26-
dc.identifier.citationЗаваринський 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/45753-
dc.descriptionРоботу 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. 406uk_UA
dc.description.abstractЗаваринський 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.uk_UA
dc.description.tableofcontentsВСТУП 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 61uk_UA
dc.language.isoukuk_UA
dc.publisherТНТУ, Тернопільuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectвипадкові лісиuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectпідсилені дереваuk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectneural networksuk_UA
dc.subjectmachine learninguk_UA
dc.subjectrandom forestsuk_UA
dc.subjectbooster treesuk_UA
dc.titleМатематичне моделювання експлуатаційних характеристик матеріалів на основі алюмінію методами машинного навчанняuk_UA
dc.title.alternativeMathematical Modeling of Operational Characteristics of Aluminum-Based Materials Using Machine Learning Methods.uk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Заваринський О.І., 2024uk_UA
dc.contributor.committeeMemberКозбур, Ігор Романович-
dc.contributor.committeeMemberKozbur, Ihor-
dc.coverage.placenameТернопіль, ТНТУuk_UA
dc.format.pages62-
dc.subject.udc004.03.8uk_UA
dc.relation.referencesKuna M. Finite Elements in Fracture Mechanics: Theory-Numerics-Applications. Springer, 2013. 446 p.uk_UA
dc.relation.references2. Ясній П.В. Пластично деформовані матеріали: втома і тріщиностійкість. Львів: Світ, 1998. 292 p.uk_UA
dc.relation.references3. 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.uk_UA
dc.relation.references4. 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.uk_UA
dc.relation.references5. Paris P.C. The growth of fatigue cracks due to variations in load : Ph.D.Thesis. Lehight University, 1962. 263 p.uk_UA
dc.relation.references6. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353.uk_UA
dc.relation.references7. Haykin S. Neural Networks - A Comprehensive Foundation - Simon Haykin. McMaster University, Hamilton, Ontario, Canada, 2006. P. 823.uk_UA
dc.relation.references8. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989.uk_UA
dc.relation.references9. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997.uk_UA
dc.relation.references10. Шаховська Н.Б., Камінський Р.М., Вовк О.Б. Системи штучного інтелекту: навч. посібник. Львів: Видавництво Львівської політехніки, 2018. 392 p.uk_UA
dc.relation.references11. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010.uk_UA
dc.relation.references12. 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.uk_UA
dc.relation.references13. 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.uk_UA
dc.relation.references14. 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.uk_UA
dc.relation.references15. Didych I. et al. Evaluation of structural elements lifetime by neural network // Acta Metallurgica Slovaca. 2018. Vol. 24, № 1. P. 82–87.uk_UA
dc.relation.references16. 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.uk_UA
dc.relation.references17. 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.uk_UA
dc.relation.references18. 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.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологійuk_UA
dc.coverage.countryUAuk_UA
Розташовується у зібраннях:151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
KRB_Zavarynskyi_O_2024.pdfКваліфікаційна робота бакалавра1,06 MBAdobe PDFПереглянути/відкрити
Avtorska_Zavarynskyi_O_2024.pdfАвторська довідка267,07 kBAdobe PDFПереглянути/відкрити
Показати базовий опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора