ANN-based metamodelling with clustering of output values as an approach to robust inverse analysis

• Autorzy: Górecki G. , Rauch Ł. , Pietrzyk M. , Kusiak J.

Warianty tytułu

PL

Programowanie genetyczne w sterowaniu otwieraniem dyszy kadzi

• Języki publikacji: EN

Abstrakty

EN

Inverse analysis, which uses artificial neural networks as direct problem models, is gaining popularity. To improve robustness of the metamodel the idea of clustering of the networks based on their output was considered in the paper. This idea splits data by the output values, which in the inverse analysis arc known as a part of the objective function. The individual networks are trained at small ranges of output values and they are supported by general networks trained on a wide range of data using special maps. The maps indicate which small network should be used to obtain more precise results. Possibility of using the general wide trained network for checking after the inverse analysis, whether the network for small range was correctly selected, is the main advantage of this method. The basic principles of this approach are described in the paper. Case study for identification of material flow stress model confirmed very good capabilities of this technique.

PL

Analiza odwrotna, w której wykorzystuje się metamodele staje się coraz bardziej popularna. Aby poprawić jakość metamodeli w przedstawianej publikacji zaproponowano klasteryzację, w której do podziału sieci neuronowych na mniejsze wykorzystano wartości wyjściowe badanego problemu. Przedstawiona idea bazuje na rozbiciu danych wykorzystując informację o wartościach wyjściowych odwzorowywanej funkcji, które w przypadku analizy odwrotnej są znane jako cześć wartości wyjściowych funkcji celu. Dla każdego wydzielonego w ten sposób zestawu danych wyuczono osobną sieć neuronową. Aby możliwa była współpraca takich sieci wytrenowano także sieć na całym zakresie danych oraz stworzono specjalne mapy, dzięki którym możliwe było jednoznaczne określenie, która z sieci wytrenowana na wąskim zakresie danych powinna zostać użyta w specyficznych sytuacjach. Dzięki takiemu podejściu możliwe jest zweryfikowanie czy sieć wytrenowana na wąskim zakresie danych, która została ostatecznie wykorzystana do obliczenia wartości wyjściowej została poprawnie wybrana, co stanowi dużą zaletę dla tego podejścia. Przeprowadzone testy dla identyfikacji naprężenia uplastyczniającego potwierdziły bardzo dobrą jakość wyników dla zaproponowanego podejścia.

Słowa kluczowe

EN

inverse analysis; artificial neural networks; metamodel; clustering by output values; material flow stress

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2014
• Tom: Vol. 14, No. 3
• Strony: 167--179
• Opis fizyczny: Bibliogr. 25 poz., rys.

Twórcy

autor

Górecki G.

• AGH University of Science and Technology, Department of Applied Computer Science and Modelling, Al. Mickiewicza 30, Krakow, Poland

autor

Rauch Ł.

• AGH University of Science and Technology, Department of Applied Computer Science and Modelling, Al. Mickiewicza 30, Krakow, Poland

autor

Pietrzyk M.

• AGH University of Science and Technology, Department of Applied Computer Science and Modelling, Al. Mickiewicza 30, Krakow, Poland

autor

Kusiak J.

• AGH University of Science and Technology, Department of Applied Computer Science and Modelling, Al. Mickiewicza 30, Krakow, Poland

Bibliografia

• Ahmad, F., Matisa, N.A., Hussain, Z., Boudville, R., Osman, M.K., 2010, Genetic Algorithm- Artificial Neural Network (GA-ANN) hybrid intelligence for cancer diagnosis, Int. Conf.e on Computational Intelligence, Liverpool, 78-83.
• Bezdek, J. C, Tsao, E.C. Pal, N.K., 1992, Fuzzy Kohonen clustering networks, Proc. IEEE International Conference on Fuzzy System, San Diego, 1035-1043.
• Forestier, R., Massoni, E., Chastel, Y., 2002, Estimation of constitutive parameters using an inverse method coupled to a 3D finite element software, Journal of Materials Processing Technology, 125, 594-601. // l-s2.0-S0924013602004065-mainrrr.pdf
• Gawąd, J., Kuziak, R., Madej, L., Szeliga, D., Pietrzyk, M, 2005, Identification of rheological parameters on the basis of various types of compression and tension tests, Steel Research International, 76, 131-137.
• Gavrus, A., Massoni, E., Chenot, J.L., 1996, An Inverse Analysis Using a Finite Element Model for Identification of Rheological Parameters, Journal of Materials Processing Technology, 60, 447-454.
• Gelin, J.C., Ghouati, O., 1994, The inverse method for determining viscoplastic properties of aluminium alloys, Journal of Materials Processing Technology, 34, 435-440.
• Hadasik, E., Kuziak, R., Kawalla, R., Adamczyk, M., Pietrzyk, M., 2006, Rheological model for simulation of hot rolling of new generation steel strips for automotive industry, Steel Research International, 77', 927-933.
• Kermani, B.G., White, M.W., Nagle, H.T., 1995, Feature extraction by genetic algorithms for neural networks in breast cancer classification, Engineering in Medicine and Biology Society, IEEE 17th Annual Conference, 1, 831-832.
• Khoddam, S., Lam, Y.C., Thomson, P.F., 1996, Numerical results achieved with an inverse computational method for determining the constitutive parameters using the hot torsion test results, Steel Research, 67, 39-43.
• Kuncheva, L.I., 2005, Combining pattern classifiers, Methods and Algorithms, Wiley, New York.
• Kusiak, J., Sztangret, L, Rauch, L., Pietrzyk, M., 2014, Meta-model driven optimization of thermomechanical industrial processes, Computer Methods in Materials Science, 14, 20-26.
• Kuziak, R., Pietrzyk, M., 2011, Physical and numerical simulation of the manufacturing chain for the DP steel strips, Steel Research International, special edition conf. ICTP, 756-761.
• Lazarevic, A., Obradovic, Z., 2001, Effective pruning of neural network classifier ensembles, Proc. Int. Joint Conf. on Neural Networks, 2, 796-801.
• MacKay, D.J.C., 1992, Bayesian interpolation, Neural Computation, 4,415-447.
• Parvin, H., Alizadeh, H., Minaei-Bidgoli, B., Analoui, M., 2008, CCHR: Combination of classifiers using Heuristic Re-training, Int. Conf. on Networked Computing and advanced Information Management (NCM2008), Gyeongju.
• Pietrzyk, M., Kusiak, J., Kuziak, R., Zalecki, W., 2009, Optimization of laminar cooling of hot rolled DP steels, Proc. XXVIII Verformungskundliches Kolloquium, Planneralm, 285-294.
• Szeliga, D., Matuszyk, P., Kuziak, R., Pietrzyk, M., 2002, Identification of rheological parameters on the basis of various types of plastometric tests, Journal of Materials Processing Technology, 125-126, 150-154.
• Szeliga, D., Gawąd, J., Pietrzyk, M., 2006, Inverse Analysis for Identification of Rheological and Friction Models in Metal Forming, Computer Methods in Applied Mechanics and Engineering, 195, 6778-6798.
• Szeliga, D., Pietrzyk, M., 2012, Identification of rheological models and boundary conditions in metal forming, International Journal of Materials and Product Technology, 39, 388-405.
• Szeliga, D., 2013, Identification problems in metal forming. A comprehensive study, Publisher AGH, 291, Kraków.
• Sztangret, Ł., Milenin, A., Sztangret, M., Walczyk, W., Pietrzyk, M., Kusiak, J., 2011a, Computer aided design of the best TR forging technology for crank shafts, Computer Methods in Materials Science, 11, 237-242.
• Sztangret, Ł., Szeliga, D., Kusiak, J., Pietrzyk, M., 201 lb, Identification of material properties of the DP steel based on plastometric tests and on industrial hot strip rolling, Computer Methods in Materials Science, 11, 542-550.
• Sztangret, Ł., Szeliga, D., Kusiak, J., Pietrzyk, M., 2012, Application of the inverse analysis with metamodelling for the identification of the metal flow stress, Canadian Metallurgical Quarterly, 51, 440-446.
• Tadeusiewicz R., Chaki R., Chaki N., 2014, Exploring Neural Networks with C#, CRC Press, Taylor & Francis Group, Boca Raton.
• Tadeusiewicz R., 2010, New Trends in Neurocybernetics. Computer Methods in Materials Science, 10, 1, 1-7.