Специалисты Института механики сплошных сред, входящего в состав филиала Пермского Федерального исследовательского центра Уральского отделения РАН, создали модель искусственной нейронной сети. Она позволяет определить величину нагрузки, воздействующей на конструкции и сооружения. Данные, обрабатываемые нейросетью получены на основе измерения деформаций волоконно-оптическими датчиками.
Проведенные исследования играют ключевую роль в разработке интеллектуальных систем деформационного мониторинга, основанных на волоконно-оптических датчиках. Эти системы способны фиксировать появление и прогрессирование дефектов в материалах и конструкциях, а также предсказывать их механическое состояние.
В настоящее время институт реализует новое направление, связанное с использованием технологий машинного обучения для решения задач, касающихся механики деформируемых твердых тел. В рамках этого направления создаются методы решения обратных задач механики твердого тела, которые расширяют возможности контроля за состоянием конструкций. Одной из важных задач, возникающих при эксплуатации конструкций из композиционных материалов, является определение места, величины и времени приложения нагрузки на основе данных, получаемых от встроенных волоконно-оптических датчиков.
Научный руководитель ПФИЦ УрО РАН академик Валерий Павлович Матвеенко в разговоре с корреспондентом «Научной России» отметил, что обратные задачи в механике ранее практически не были объектом внимания и исследований, так как они, как правило, не имеют единственного решения. В настоящее время сформировались предпосылки для эффективного решения таких задач. Методы математического моделирования позволяют получить информацию о различных параметрах механического состояния конструкций при различных внешних воздействиях, а возможности вычислительных центров позволяют хранить большие объемы данных.
Появление волоконно-оптических датчиков открыло возможность измерения различных параметров, включая деформации по всей длине. Благодаря небольшим размерам, эти датчики можно интегрировать в материалы, такие как полимерные композиты, уже на этапе производства изделий. Это позволяет создать конструкцию, оснащенную своеобразной «нервной системой», которая обеспечивает непрерывный поток информации о механическом состоянии и поведении. Объединяя эти данные с технологиями машинного обучения, можно разработать методы решения задач обратного характера в механике деформируемых твердых тел.
«Полученные и обнародованные первоначальные результаты позволяют предположить, что через два-три года будут разработаны алгоритмы, которые в первую очередь будут переданы нашему квалифицированному партнеру и заказчику – Центральному аэрогидродинамическому институту им. Н.Е. Жуковского, для решения поставленной ими задачи: обеспечения надежного контроля элементов авиационных конструкций, изготовленных из композиционных материалов».
Работа была выполнена в рамках масштабного научного проекта «Фундаментальная механика в новых материалах, конструкциях, технологиях», который охватывает исследования в области механики новых материалов и конструкций, прочности машин и сооружений, турбулентности, магнитной гидродинамики, тепломассопереноса в средах, состоящих из нескольких фаз и компонентов.
Фото: Рамиль Ситдиков / Фотография с Конгресса молодых учёных
Материал создан при содействии Российской академии наук