Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Archives of Metallurgy and Materials

1 2005

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Optimization of materials processing using a hybrid technique based on artificial neural networks

Kusiak J., Żmudzki A., Danielewska-Tułecka A.

Archives of Metallurgy and Materials

2005

Vol. 50, iss. 3

609-620

The optimization problems in the field of material processing are very complex. They require a lot of computations, because most of processes are simulated on the base of the Finite Element Method (FEM). In classical optimization approach, every iteration requires time-consuming FEM calculation of the considered problem, which increases the computation time of the optimization procedures. The efficient optimization algorithms of such complex problems should minimize the computation time. The paper presents a new hybrid optimization technique based on the Artificial Neural Network (ANN) modelling. The search of the optimal value is performed not directly on the objective function, but on its values predicted by its ANN metamodel. Such approach does not require FEM recalculations of the whole analyzed problem for each optimization iteration. It allows decreasing the computation time of the optimization procedure. The paper presents the description of the proposed method, its algorithm and examples of application to test optimization problems and the inverse analysis of materials properties.

W zagadnieniach dotyczących procesów obróbki materiałów, problemy optymalizacji są bardzo skomplikowane. Wymagają one bowiem wielu obliczeń numerycznych, co wynika z tego iż większość procesów modeluje się za pomocą Metody Elementów Skończonych (MES). W klasycznym podejściu, każda iteracja metody optymalizacji wymaga czasochłonnych symulacji MES rozważanego problemu, co znacząco zwiększa czas obliczeń. Cecha skutecznego algorytmu optymalizacji powinno byc zmniejszenie tego czasu. W artykule przedstawiono nowa hybrydowa technikę optymalizacji oparta o modelowanie z użyciem Sztucznych Sieci Neuronowych (SSN). Poszukiwanie wartości optymalnej nie jest przeprowadzone bezpośrednio za pomocą zdefiniowanej funkcji celu, ale za pomocą jej wartości wskazanej przez metamodel SSN. Zaprezentowane podejście nie wymaga ponownych obliczeń całego analizowanego problemu za pomocą MES w każdej iteracji algorytmu. Pozwala to na zmniejszenie czasu obliczeń procedury optymalizacji. W artykule zaprezentowano opis proponowanej metodyki, algorytm poszukiwania optimum, oraz przykłady zastosowania do optymalizacji funkcji testowych i do wyznaczania parametrów modelu materiałowego w analizie odwrotnej.