Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Computer Methods in Materials Science

1 2014

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: clustering by output values

Sortuj według:

Ogranicz wyniki do:

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

Górecki G., Rauch Ł., Pietrzyk M., Kusiak J.

Computer Methods in Materials Science

2014

Vol. 14, No. 3

167--179

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.

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.