Створення сурогатної моделі для відновлення приповерхневих профілів електрофізичних характеристик циліндричних об’єктів

Автор(и)

  • Володимир Якович Гальченко Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна
  • Анатолій Вячеславович Сторчак Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна
  • Руслана Володимирівна Трембовецька Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна
  • Володимир Володимирович Тичков Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна

DOI:

https://doi.org/10.24027/2306-7039.3.2020.216824

Ключові слова:

електрофізичні характеристики, вихрострумові вимірювання, приповерхневий профіль, ідентифікація, сурогатна модель

Анотація

Показано один з етапів розв’язку багатопараметрової оберненої задачі вихрострумових вимірювань щодо ідентифікації радіальних профілів електрофізичних характеристик циліндричних об’єктів контролю апроксимаційним методом. Метод передбачає використання апріорної інформації про випробування об’єктів контролю циліндричної форми, яку отримано шляхом математичного моделювання за “точною” електродинамічною моделлю Uzal-Dodd-Deeds. Запропоновано як носія апріорної інформації використовувати високопродуктивну в обчислювальному сенсі сурогатну модель процесу контролю. Виконано аналіз методів побудови сурогатних моделей та із урахуванням певних переваг обрано нейромережевий метод створення метамоделі в рамках досліджень, що проводяться. Відзначено особливості, які є характерними для побудови метамоделей, що полягають у необхідності використання комплексозначних нейронних мереж, та вказано шляхи вирішення цієї проблеми. Метамоделі створено на базі комплексозначних нейронних мереж, що розщеплюються. Відпрацьовано обчислювальну технологію побудови сурогатних моделей у середовищі Python 3 з використанням відкритої бібліотеки Keras, наведено об’єктивні чисельні статистичні показники для перевірки адекватності метамоделей. На конкретних даних виконано верифікацію створених сурогатних моделей та проведено оцінку точності апроксимації поверхні відгуку вказаними засобами. Вказано шляхи узагальнення на більш складні випадки створення метамоделей для вимірювальних задач, що характеризуються гіперповерхнями відгуку із більшою розмірністю простору, акцентовано увагу на універсальність підходу, прийнятного для практично будь-якої складної топології гіперповерхні.

Посилання

Ida N., Meyendorf N. Handbook of Аdvanced Nondestructive Evaluation. Springer International Publishing, 2019. 1626 p.

Beda P.I., Sapunov V.M., Poljakov A.I., Putnikov Ju.G. Metodicheskie rekomendacii po primeneniju vihretokovyh izmeritelej jelektricheskoj provodimosti dlja kontrolja svojstv nemagnitnyh materialov detalej aviacionnoj tehniki [Guidelines for the use of eddy current conductivity meters to control the properties of non-magnetic materials of parts of aircraft]. 13th Research Institute of the Ministry of Defense of Russia. Lyubertsy, 1992, no. 6519, 108 p. Available at: https://ru.b-ok2.org/book/2995249/84367d (in Russian).

Halchenko V., Tychkov V., Storchak A., Trembovetska R. Vidnovlennja prypoverhnevyh radial'nyh profiliv elektrofizychnyh harakterystyk cylindrychnyh ob’jektiv pry vyhrostrumovyh vymirjuvannjah iz najavnistju apriornyh danyh. Formuvannja vybirky dlja pobudovy surogatnoi' modeli [Reconstruction of surface radial profiles of the electrophysical characteristics of cylindrical objects during eddy current measurements with a priori data. The selection formation for the surrogate model construction]. Ukrainian Metrological Journal, 2020, no. 1. pp. 35–50. DOI: https://doi.org/10.24027/2306-7039.1.2020.204226 (in Ukrainian).

Queipo N.V., Haftka R.T., Shyy W., Goel T., Vaidyanathan R., Tucker P.K. Surrogate-based analysis and optimization. Progress in Aerospace Sciences, 2005, no. 1 (41), pp. 1–28. DOI: https://doi.org/10.1016/j.paerosci.2005.02.001

Lenth R.V. Response-Surface Methods in R, Using rsm. Journal of Statistical Software, 2009, vol. 32, issue 7, pp. 1–17.

Bartz-Beielstein T., Naujoks B., Stork J., Zaefferer M. Tutorial on surrogate-assisted modelling. D1.2. Synergy for Smart Multi-Objective Optimisation (31 October 2016). Horizon 2020 – GA № 692286. 65 р. Available at: http://synergy-twinning.eu/files/synergy-d12-161110-0559.pdf

Jiang P., Zhou Q., Shao X. Surrogate Model-Based Engineering Design and Optimization. Singapore, Springer, 2020. 240 р.

Forrester A.I.J., Sóbester A., Keane A.J. Engineering Design Via Surrogate Modelling: A Practical Guide. Chichester, Wiley, 2008. 228 p.

Dramsch J.S., Lüthje M., Christensen A.N. Complex-valued neural networks for machine learning on non-stationary physical data. Available at: https://arxiv.org/abs/1905.12321

Rudenko O.G., Bodjans'kyj Je.V. Shtuchni nejronni merezhi [Artificial neural networks]. Kharkiv, Kompanija SMIT Publ., 2006. 404 p. (in Ukrainian).

Dzhulli A., Pal S. Biblioteka Keras – instrument glubokogo obuchenija. Realizacija nejronnyh setej s pomoshh'ju bibliotek Theano i TensorFlow [Keras Library – A Deep Learning Tool. Implementation of neural networks using Theano and TensorFlow libraries]. Moscow, DMK Press Publ., 2018. 294 p. (in Russian).

Halchenko V.Ya., Trembovetska R.V., Tychkov V.V., Storchak A.V. Nonlinear surrogate synthesis of the surface circular eddy current probes. Przegląd elektrotechniczny, 2019, no. 9, pp. 76–82. DOI: https://doi.org/10.15199/48.2019.09.15

Halchenko V.Ya., Trembovetska R.V., Tychkov V.V. Development of excitation structure RBF-metamodels of moving concentric eddy current probe. Electrical Engineering & Electromechanics, 2019, no. 2, pp. 28–38. DOI: https://doi/10.20998/2074-272X.2019.2.05

Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. Available at: https://arxiv.org/abs/1412.6980

##submission.downloads##

Опубліковано

2020-09-30

Номер

Розділ

Статті