Zastosowanie sztucznych sieci neuronowych do obliczeń wytrzymałościowych maszyn wirnikowych

• Autorzy: Kozakiewicz A. , Kieszek R.

Identyfikatory

DOI

10.15199/148.2018.9.4

Warianty tytułu

EN

Application of artificial neural networks for stresses analysis of rotating machines

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wyniki badań numerycznych nad możliwością zastosowania sztucznych sieci neuronowych (SSN) do obliczeń wytrzymałościowych elementów maszyn wirnikowych. W tym celu autorzy rozważyli kilka prostszych przypadków w celu ustalenia optymalnej struktury SSN i odpowiedniego sposobu jej uczenia. W pracy przedstawiono wyniki dotyczące uczenia sieci rozwiązywania problemu belki wysięgnikowej. Następnie analizowano problem ważkiej tarczy prostej obciążonej ciągnieniem w celu doboru modelu SSN. Ostatnim analizowanym zagadnieniem było zastosowanie SSN do wyznaczania rozkładu naprężeń w profilowanej tarczy sprężarki osiowej.

EN

In this paper the results of numerical research in possibility of usage artificial neural network (ANN) in stresses analysis are presented. For this purpose, a few simple cases were considered in order to optimize the ANN structure and its learning algorithm. In the first part of this paper, results of learning ANN of solving the cantilevered beam problem are shown. The simplified compressor disc problem was analyzed due to select the ANN model. The last case is the use of ANN to stresses analysis of profiled axial compressor disc.

Słowa kluczowe

PL

sztuczne sieci neuronowe; obliczenia wytrzymałościowe; turbinowy silnik odrzutowy; sprężarka osiowa

EN

artificial neural networks; stress analysis; jet engine; axial compressor

• Wydawca: Wydawnictwo SIGMA-NOT ; Sieć Badawcza Łukasiewicz - Instytut Mechanizacji Budownictwa i Górnictwa Skalnego
• Czasopismo: Przegląd Mechaniczny
• Rocznik: 2018
• Tom: nr 9
• Strony: 28--30
• Opis fizyczny: Bibliogr. 13 poz., rys., tab., wykr.

Twórcy

autor

Kozakiewicz A.

• Wojskowa Akademia Techniczna ul. Gen. W. Urbanowicza 2, 00-908 Warszawa

autor

Kieszek R.

• Wojskowa Akademia Techniczna ul. Gen. W. Urbanowicza 2, 00-908 Warszawa

Bibliografia

• [1] DePold H.R., F.D. Gass. 1998. “The application of expert systems and neural networks to gas turbine prognostics and diagnostics". In: ASME 1998 International Gas Turbine and Aeroengine Congress and Exhibition (pp. V005T15A009-V005T15A009). The American Society of Mechanical Engineers.
• [2] Kontsevich A.G. 2006. “Accounting for time factor in identification of gas turbine engine model using artificial neural network". Aerospace Technics and Technology 10 (36): 144-151.
• [3] Zhernakov S.V. 2010. “Identification of gas turbine engines characteristics on neural network technology". Information technologies 3: 39-47.
• [4] Pogorelov G.I., et al. 2017. “Application of neural network technology and high-performance computing for identification and real-time hardware-in-the-loop simulation of gas turbine engines". Procedia Engineering 176: 402-408.
• [5] Pierret S., R.A. Van den Braembussche 1999. “Turbomachinery blade design using a navier-stokes solver and artificial neural network". Journal of Turbomachinery 121 (2): 326-332.
• [6] Roberts R., S. Eastbourn. 2014. “Modeling techniques for a computational efficient dynamic turbofan engine model". International Journal of Aerospace Engineering.
• [7] Waszczyszyn Z., L. Ziemiański 2001. “Neural networks in mechanics of structures and materials - new results and prospects of applications". Computers & Structures 79: 2261-2276.
• [8] Pabisek E. 2008. Systemy hybrydowe integrujące MES i SSN w analizie wybranych problemów mechaniki konstrukcji i materiałów. Kraków: Wydawnictwo Politechniki Krakowskiej.
• [9] Potrzeszcz-Sut B. 2014. "Analiza hybrydowa MES/SSN sprężysto-plastycznej konstrukcji kratowej poddanej obciążeniu cyklicznemu". Structure and Environment. Architecture, Civil Engineering, Environmental Engineering and Energy 6 (4): 12-16.
• [10] Grzymowska A. 2014. "Model neuronowy jako alternatywa dla numerycznego modelu okołodźwiękowego przepływu pary przez palisadę turbinową". Mechanik 87 (7 CD): 217-224.
• [11] Głuch J., A. Butterweck 2014. "Zastosowanie sztucznych sieci neuronowych do diagnostyki cieplno-przepływowej wieńców turbin parowych". Mechanik 87 (7).
• [12] Nowotarski I. 2001. Obliczenia statyczne i dynamiczne turbinowych silników lotniczych metodą elementów skończonych. Warszawa: Wydawnictwa Naukowe Instytutu Lotnictwa.
• [13] Meiller M.F. 1993. “A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning". Neural Networks 6: 525-533.