Нейромережеве моделювання критичних температур піттінгоутворення сталі

Abstract

Вирішено завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі нейронних мереж прямого поширення. Запропоновано метод виключення нейронів, що враховує вплив кожного нейрона на помилку моделі. Вирішено практичне завдання визначення критичних температур піттінгоутворення сталі AiSi 321 за її характеристиками. Виконано побудову нейромережевих моделей, їхнє навчання та тестування на даних за характеристиками сталі. Порівняно результати тестування всіх побудованих моделей.

Решена задача создания математического обеспечения для построения моделей количественных зависимостей на основе нейронных сетей прямого распространения. Предложен метод исключения нейронов, учитывающий влияние каждого нейрона на ошибку модели. Решена практическая задача определения критических температур питтингообразования стали AiSi 321 по ее характеристикам. Выполнено построение нейросетевых моделей, их обучение и тестирование на данных по характеристикам стали. Проведено сравнение результатов тестирования всех построенных моделей.

The task of creating mathematical software for constructing quantitative dependency models based on forward propagation neural networks has been solved in the work. A modification of method for dropping out neurons is proposed, which better prevents the model from overfitting. The modified method takes into account the effect of each neuron on the model error. It is proposed to increase the probability of dropping out of neurons that more affect the model error and to decrease the probability of dropping out of neurons that less affect the model error. The practical problem of determining the critical pitting temperatures of AiSi 321 steel by its characteristics has been solved. The construction of neural network models, their training and testing on the data on the characteristics of steel has been performed. The test results of all constructed models have been compared.