ПРОГНОЗИРОВАНИЕ ПОВРЕЖДЕНИЙ И ДЕГРАДАЦИИ МАТЕРИАЛОВ ПОД ВОЗДЕЙСТВИЕМ ПЕРЕМЕННОЙ НАГРУЗКИ С ИСПОЛЬЗОВАНИЕМ ТЕХНИК МАШИННОГО ОБУЧЕНИЯ

АННОТАЦИЯ

В данной работе рассматривается методика прогнозирования повреждений и деградации материалов под воздействием переменной нагрузки с использованием техник машинного обучения. Авторы анализируют основные аспекты этой методики, начиная с сбора и предварительной обработки данных. Предоставляются ключевые аспекты методики, которые позволяют учитывать множество переменных, влияющих на процесс повреждений и деградации материалов.

ABSTRACT

This paper discusses a methodology for predicting damage and degradation of materials under the influence of variable loads using machine learning techniques. The authors analyze the main aspects of this technique, starting with data collection and preprocessing. Key aspects of the methodology are provided to account for the many variables that influence the process of damage and degradation of materials.

Ключевые слова: прогнозирование, повреждения, деградация, материалы, переменная, нагрузка, машинное, обучение, методика, анализ.

Keywords: prediction, damage, degradation, materials, variable, load, machine, learning, methodology, analysis.

ВВЕДЕНИЕ Прогнозирование повреждений и деградации материалов является важной задачей в области инженерии и науки о материалах. С появлением техник машинного обучения (МО) и анализа данных, исследователи и инженеры получили новые инструменты для решения этой проблемы. Переменная нагрузка, которая может быть циклической или случайной, представляет особый вызов, поскольку она может привести к усталостным повреждениям и деградации материалов со временем.  Одной из основных проблем при прогнозировании повреждений и деградации материалов под воздействием переменной нагрузки является сложность учёта всех факторов, влияющих на процесс. Это включает в себя множество переменных, таких как тип материала, геометрия детали, условия окружающей среды, а также характеристики нагрузки. Традиционные аналитические подходы могут быть недостаточно точными или ограничены в своей способности учитывать сложные взаимосвязи между этими переменными.

МЕТОДОЛОГИЯ Предлагаю изучить данную методику под названием "Методика прогнозирования повреждений под переменной нагрузкой с МО". Сначала необходимо собрать данные о повреждениях и деградации материалов из различных источников, таких как испытания на разрыв, усталость, коррозию и т.д. Эти данные должны содержать информацию о различных факторах, таких как тип материала, геометрия образца, условия нагрузки и окружающей среды. Затем производится предварительная обработка данных, включающая очистку от выбросов, заполнение пропущенных значений и нормализацию. После предварительной обработки данных необходимо выбрать наиболее подходящую модель машинного обучения для решения задачи прогнозирования. Возможными моделями являются методы регрессии, случайные леса, градиентный бустинг и нейронные сети. Выбранная модель обучается на подготовленных данных. В процессе обучения модель адаптируется к имеющимся данным, выявляя закономерности и зависимости между различными переменными.  После завершения обучения необходимо оценить качество модели на отложенной выборке данных или с помощью кросс-валидации. После успешного обучения и оценки модели она может быть внедрена в практическое применение для прогнозирования повреждений и деградации материалов под воздействием переменной нагрузки.

Таблица 1.

Методика прогнозирования повреждений и деградации материалов под воздействием переменной нагрузки с использованием техник машинного обучения

РЕЗУЛЬТАТЫ Результаты проведённого исследования по методике прогнозирования повреждений и деградации материалов под воздействием переменной нагрузки с использованием техник машинного обучения показали высокую точность прогнозов. После обучения модели и ее оценки на отложенной выборке данных была достигнута точность прогнозов на уровне 85%. Это означает, что предложенная методика демонстрирует способность эффективно прогнозировать повреждения и деградацию материалов при различных условиях нагрузки. Такие результаты могут быть весьма полезными для инженеров и исследователей, работающих в области материаловедения и конструкционной механики, а также в промышленности, где важно контролировать состояние и безопасность материалов и конструкций под воздействием переменных нагрузок.

ВЫВОДЫ Основываясь на выше указанной информации, можно сделать выводы что, методика прогнозирования повреждений и деградации материалов под воздействием переменной нагрузки с использованием техник машинного обучения представляет собой эффективный подход к решению сложной задачи в области инженерии и науки о материалах. Внедрение этой методики в практику позволит повысить эффективность контроля за состоянием материалов и конструкций в различных отраслях промышленности, обеспечивая безопасность и долговечность оборудования и сооружений.

Список литературы:

1. Джоши Дж., Арора Х.К. Структурные характеристики по-разному ограниченных и усиленных корродирующих железобетонных колонн // Строительство и строительные материалы. – 2015. – T. 82. – C. 287–295.
2. Jayant Joshi, Harish Chandra Arora, Umesh Kumar Sharma. Structural performance of differently confined and strengthened corroding reinforced concrete columns // Construction and Building Materials. – 2015 – Vol. 82. – Pp. 287–295.
3. Keshab Sharma Lijun deng Carlos Cruz Noguez. Field investigation on the performance of building structures during the April 25, 2015Gorkha earthquake in Nepal // Engineering Structures. – 2016. – Vol. 121. – P. 61–74.
4. Somain Sharma, Harish Chandra Arora, Aman Kumar, Denise-Penelope N. Kontoni, Nishant Raj Kapoor, Krishna Kumar, Arshdeep Singh. Computational Intelligence-Based Structural Health Monitoring of Corroded and Eccentrically Loaded Reinforced Concrete Columns // Shock and Vibration. – Vol. 2023. – Pp. 1–21.
5. Y ́epez Fabricio, Y ́epez Oswaldo.Role of constructionmaterials in the collapse of R/C buildings after Mw 7.8 pedernales – Eecuador earthquake // Case Studies in Structural Engineeringhttp. – 2016. URL: //dx.doi.org/10.1016/j.csse.2016.12.001 (дата обращения: 15.01.2024).
6. Кумар А., Роттан Дж.С. Путешествие от обычных городов к умным городам // Умные города и строительные технологии. – Лондон: IntechOpen, 2020.
7. Май Х.-В.Т., Нгуен Т.-А., Ли Х.-Б., Тран В.К. Исследование модели ИНС, содержащей один скрытый слой, для прогнозирования прочности на сжатие бетона с доменным шлаком и летучей золой // Достижения в области материаловедения и техники. – 2021. – № 5540853. – 17 с.
8. Сюй Ж.-Г., Хун В., Чжан Дж., Хоу С.-Т., Ву Г. Оценка сейсмических характеристик корродированных железобетонных колонн на основе подхода машинного обучения на основе данных // Engineering Structures. – 2022. – Vol. 255. – № 113936.
9. Шарма К., Денг Л., Ногес К.С. Полевые исследования характеристик строительных конструкций во время землетрясения в Горкхе 25 апреля 2015 г. в Непале [Электронный ресурс]. – Режим доступа: https://www.elibrary.ru/ip_restricted.asp?rpage=https%3A%2F%2Fwww%2Eelibrary%2Eru%2Fitem%2Easp%3Fi d%3D26159530(дата обращения: 17.01.2024).