Ann-based metamodelling with clustering of output values as an approach to robust inverse analysis
PBN-AR
Instytucja
Wydział Inżynierii Metali i Informatyki Przemysłowej (Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie)
Informacje podstawowe
Główny język publikacji
EN
Czasopismo
Computer Methods in Materials Science
ISSN
1641-8581
EISSN
Wydawca
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Wydział Inżynierii Metali i Informatyki Przemysłowej
DOI
Rok publikacji
2014
Numer zeszytu
3
Strony od-do
167--179
Numer tomu
14
Link do pełnego tekstu
Identyfikator DOI
Liczba arkuszy
0.92
Słowa kluczowe
EN
artificial neural networks
inverse analysis
metamodel
clustering by output values
material flow stress
Streszczenia
Język
EN
Treść
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.
Język
PL
Treść
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.
Cechy publikacji
original article
peer-reviewed
Inne
System-identifier
idp:088517