CC BY-NC
9
DOI: 10.24937/2542-2324-2021-1-S-I-213-215 УДК 004.896:629.52
К.В. Пшеничная1, Т.С. Горавнева1, Т.Т. Каверзнева2
1 СПбГМТУ, Санкт-Петербург
2 СПбПУ, Санкт-Петербург
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В ТЕХНИЧЕСКИХ ПРИЛОЖЕНИЯХ
Рассматриваются традиционный и нейросетевой подходы в задачах аппроксимации. Формулируются достоинства и недостатки данных подходов. Приводится пример традиционного и нейросетевого подходов для решения задачи оценки остаточного сопротивления малоразмерного судна. Делается вывод о целесообразности применения принципа конкуренции вычислительных технологий в технических приложениях.
Ключевые слова: принцип конкуренции вычислительных технологий, традиционные технологии, нейросетевые
технологии, остаточное сопротивление маломерного судна.
Авторы заявляют об отсутствии возможных конфликтов интересов.
DOI: 10.24937/2542-2324-2020-1-S-I-213-215 UDC 004.896:629.52
K.V. Pshenichnaya1, T.S. Goravneva1, T.T. Kaverzneva2
1 St. Petersburg State Marine Technical University, St. Petersburg
2 Peter the Great St. Petersburg Polytechnic University, St. Petersburg
NEURAL NETWORKS USAGE IN THE TECHNICAL APPLICATIONS
The traditional and neural network approaches in approximation problem are considered. Advantages and disadvantages of the approaches are formulated. An example of the traditional and neural network approaches for the task of residual yacht resistance assessing is presented. The conclusion about the feasibility of use of competing computing principle in the technical applications is made.
Key words: competing computing principle, traditional technology, neural network approach, residual yacht resistance.
Authors declare lack of the possible conflicts of interests.
В современных системах автоматизированных расчетов все чаще используется принцип конкуренции вычислительных технологий [1], предполагающий сочетание традиционных моделей расчетов и моделей искусственных нейронных сетей (ИНС). Среди задач, к которым эффективно применяется такой принцип, можно выделить задачу оценки параметров технических устройств на основе данных измерений - задачу аппроксимации.
В данной задаче осуществляется подбор модели для расчета параметров некоторого процесса или явления. При этом результатом традиционного процесса моделирования являются эмпирические формулы или уравнения, а результатом
нейромоделирования является топология нейронной сети и значения ее синоптических связей. Оба подхода обладают как достоинствами, так и недостатками.
Достоинства ИНС
1. ИНС нелинейны по своей природе и позволяют моделировать сложные зависимости с большим числом входных параметров.
2. Реализация модели нейронных сетей позволяет использовать преимущества параллельной обработки информации.
3. ИНС обладают устойчивостью к шумам во входных параметрах, в связи с чем отсутствует
Для цитирования: Пшеничная К.В., Горавнева Т.С., Каверзнева Т.Т. Применение нейросетевых моделей в технических приложениях. Труды Крыловского государственного научного центра. 2021; Специальный выпуск 1: 213-215. For citations: Pshenichnaya K.V., Goravneva T.S., Kaverzneva T.T. Neural networks usage in the technical applications. Transactions of the Krylov State Research Centre. 2021; Special Edition 1: 213-215 (in Russian).
К.В. Пшеничная, Т.С. Горавнева, Т.Т. Каверзнева Применение нейросетевых моделей в технических приложениях
необходимость дополнительного анализа входных данных. 4. ИНС могут работать с неполными данными.
Недостатки ИНС
Главным недостатком ИНС является то, что в отличие от традиционных методов аппроксимации данная модель представляет из себя «черный ящик», в ней отсутствует математическое описание физического явления, помогающее «чувствовать» объект. В нейросетевом подходе основное время при моделировании тратится на обучение сети, а при традиционном подходе - на тщательный анализ задачи.
Недостатки эмпирических формул
Главный недостаток эмпирических формул состоит в том, что разработанные в разных фирмах формулы отличаются и, кроме того, как правило, не удается создать единую формулу для различных диапазонов изменения входных параметров.
Пример конкурентного применения обоих подходов
В качестве примера рассматривается задача определения остаточного сопротивления малоразмерного судна [2].
Традиционная модель
Известным примером эмпирических формул является полиномиальное выражение Оегйзта-Кеит^ [3], полученное на основе экспериментальных данных [4]. В силу сильного влияния числа Фруда ¥п на значение остаточного сопротивления автором были предложены два выражения для двух различных диапазонов изменения ¥п.
Первое выражение, для чисел Фруда Fn = = 0,125-0,45, имеет следующий вид:
Rr-103 = a0 + a1 ■Cp + a2 ■ LCB + a3 • Bwl '
Ac
+ a ■ iwL + a .C2 + a ■ C ■ iwL +
+ a4 vl/3 + a5 Cp + a6 Cp vl/3 +
T
fr ö
+ a7 ■ LCB + a8 ■
, V1/3 ,
V c J
+ a9
f LWL ö
, V1/3 ,
V c J
(1)
где Cp - коэффициент продольной полноты; LCB -абсцисса центра величины; B/T - отношение ширины к осадке; L/B - отношение длины к ширине; L/V13 -отношение длины к объемному водоизмещению в степени 1/3; Rr /Дс - отношение остаточного сопротивления к весовому водоизмещению. Значения коэффициентов a0, ..., a9 определены автором численно для конечного набора вариантов значений при изменении от 0,125 до 0,45 с шагом 0,025.
Второе выражение для чисел Фруда Fn = 0,4750,75 имеет следующий вид:
Rr
Ac
■ 103 = C0 + C1
lwl BWL
+ C2 ■ ^ + C3 ■ LCB +
\2
+C4
WL V BWL 0
+ C5 ■ Lwl
bw
vr2/3
(2)
Рис. 1. Топология нейронной сети
Коэффициенты С0, ..., С5 в этом выражении также зависят от числа Фруда и определены автором численно для конечного набора вариантов Еп при изменении от 0,45 до 0,45 с шагом 0,025.
Модель ИНС
Модель ИНС (в данном случае многослойный пер-септрон) представлена топологией нейронной сети «6-6-2-1», рис. 1, и значениями синаптических связей между нейронами. Для обучения сети использовались те же экспериментальные данные [4], что и при разработке формул (1) и (2).
Тестирование обеих моделей показало схожие результаты с некоторым преимуществом ИНС.
Рассмотренные модели могут использоваться в автоматизированных расчетах одновременно на конкурирующей основе. Возможность сочетания нейросетевых методов с традиционными моделями позволяет оценивать их достоинства и недостатки, накапливать информацию для дальнейшего их развития, использовать преимущества каждого подхода.
214
Труды Крыловского государственного научного центра. Специальный выпуск 1, 2021
Список использованной литературы
1. Нечаев Ю.И. Современные проблемы информатики и вычислительной техники. СПб.: Арт-Экспресс, 2018. 315 с.
2. Пшеничная К.В., Фролов П.Г. Применение модели нейронных сетей в задаче определения остаточного сопротивления маломерного судна // Современные технологии в теории и практике программирования: сборник материалов конференции. 2018, Санкт-Петербург. С. 107-108.
3. J. Gerritsma, J.A. Keuningand, A. Versluis. Sailing Yacht Performance in Calm Water and Waves. Delft University of Technology, Ship Hydromechanics Laboratory. ReportNo. 1993. P. 938.
4. Machine Learning Repository. Yacht Hydrodynamics Data Set [Электронный ресурс] // URL: http://archive.ics.uci.edu/ml/datasets/Yacht+Hydrodyna mics# (дата обращения 15.12.2020).
Поступила / Received: 15.11.21 Принята в печать / Accepted: 08.12.21 © Пшеничная К.В., Горавнева Т.С., Каверзнева Т.Т., 2021
