Згода Юрий Николаевич — аспирант
Санкт-Петербург, 190005
sc 57219931047
Iurii N. Zgoda — PhD Student
Saint Petersburg, 190005
sc 57219931047
Предмет исследования. Одним из наиболее распространенных подходов к исследованию напряженно- деформированного состояния тонкостенных оболочечных конструкций под воздействием внешних сил является их компьютерное моделирование. Данное решение требует существенных временных затрат и высокопроизводительного аппаратного обеспечения, особенно при необходимости проведения сравнительного анализа различных конфигураций оболочек. В данной работе для повышения производительности моделирования предложено применение методов глубокого обучения. Выполнена разработка высокопроизводительного метода компьютерного моделирования тонкостенных оболочечных конструкций с использованием глубоких нейронных сетей, позволяющего учесть геометрические и физические свойства конструкции, а также прикладываемую к ней нагрузку. Метод. Основа метода состоит в подходе к обучению и архитектуре глубокой нейронной сети, способной выполнять компьютерное моделирование напряженно-деформированного состояния оболочки. Для формирования обучающего набора данных проведен вычислительный эксперимент моделирования 3904 конфигураций пологих двояковыпуклых оболочек разных линейных размеров, радиусов кривизны и используемых материалов. Выполнено обучение 30 глубоких нейронных сетей различных архитектур. Для выбора архитектуры, оптимальной с точки зрения точности моделирования, для каждой из обученных сетей на проверочном наборе данных рассчитана средняя абсолютная ошибка в процентах с отсечением околонулевых образцов. Основные результаты. Разработана нейронная сеть, позволяющая без существенных вычислительных затрат определить напряженно-деформированное состояние множества конфигураций оболочек под воздействием произвольной равномерно-распределенной нагрузки. Данное решение — первое в области нейросетевого моделирования оболочек, позволяющее задавать прикладываемую нагрузку, геометрические и физические параметры оболочки и получать результаты расчета в произвольной точке срединной поверхности оболочки. Проведено сравнение производительности классического моделирования и моделирования напряженно-деформированного состояния разработанной нейронной сети. Для одной конструкции моделирование в нейронной сети выполняется в течение 2 мс, что в 2117 раз быстрее по сравнению с классическим. При этом погрешность моделирования с использованием сети получена на допустимом уровне. Практическая значимость. Предложена оригинальная архитектура нейронной сети моделирования напряженно- деформированного состояния пологих двояковыпуклых оболочек. Архитектура путем незначительных модификаций может быть приспособлена для высокопроизводительного моделирования разных видов строительных конструкций. Осуществлено обучение глубокой нейронной сети, которая обеспечивает сокращение длительности вычислений на несколько порядков. Полученные результаты обладают высокой практической значимостью для исследователей в области моделирования тонкостенных оболочечных конструкций. Наиболее перспективным применением разработанного решения является прототипирование различных конфигураций оболочек. По окончании прототипирования наиболее эффективные конфигурации могут быть детально исследованы с использованием классических методов компьютерного моделирования.
Computer modeling is one of the most common approaches to the analysis of thin-walled shell structures stress-strain state analysis. It requires considerable time costs and high-performance hardware, especially when it is necessary to conduct a comparative analysis of various shell configurations. In this paper, we propose the use of deep learning methods to improve performance of this process. The purpose of work is to develop methods for high-performance computer simulation of thin-walled shell structures using deep neural networks, allowing to take into account geometric and physical properties of the structure as well as the load applied to it. A training approach and deep neural network architecture were developed to perform computer modeling of the stress-strain state of the shell. To form a training dataset, a computational experiment was carried out to simulate 3904 different configurations of doubly curved shallow shells that differ in linear dimensions, curvature radii, and materials used. Based on this dataset, 30 deep neural networks with different architectures were trained. To determine the optimal architecture in terms of modeling accuracy, mean absolute percentage error with clipping near-zero samples was calculated for each of the neural networks based on the test dataset. A network has been developed that allows calculating the stress-strain state of different shell configurations under an arbitrary uniformly distributed load. This is the first solution in the field of shell neural network modeling that allows us to vary the applied load, geometric and physical parameters of the shell and obtain calculation results at an arbitrary point of its middle surface. Performance measurements were carried out which show that the developed neural network allows simulating the stress-strain state of a shell structure 2117 times faster compared to the duration of solving the same problem by classical simulation. The modeling error using the network is at an acceptable level. An original architecture of a neural network for modeling the stress-strain state of shells was proposed which, through minor modifications, can be adapted for high-performance modeling of other building structure types. In accordance with the described architecture, a deep neural network was trained which reduces the computation time by several orders of magnitude. The results obtained are of high practical importance for researchers in the field of thin-walled shells modeling since they allow us to significantly reduce the time costs associated with conducting computational experiments. One of the possible applications for developed solution is prototyping of various shell configurations. Once prototyping is complete, the most efficient shell configurations can be explored in detail using classical computer simulation techniques.
The authors declare that there are no conflicts of interest present.