Применение нейронных сетей в прогнозировании качества механической обработки особо нагруженных композитных конструкций

Проектирование, конструкция и производство летательных аппаратов


Авторы

Шевцов С. Н. 1*, Сибирский В. В. 2**, Чигринец Е. Г. 2***

1. Южный научный центр Российской академии наук, пр. Чехова, 41, Ростов-на-Дону, 344006, Россия
2. Донской государственный технический университет, ДГТУ, площадь Гагарина, 1, Ростов-на-Дону, 344003, Россия

*e-mail: sergnshevtsov@gmail.com
**e-mail: semo_s@mail.ru
***e-mail: egchigrinets@gmail.com

Аннотация

Разработано математическое обеспечение для построения эмпирических моделей зависимости показателей качества крепежных отверстий в лонжероне лопасти несущего винта вертолета Ми-28 от режимов обработки с использованием методологии численной идентификации параметров регрессионных уравнений первого порядка. Выполнено построение, обучение и проверка адекватности группы нейронных сетей для прогнозирования качества отверстий в армированном стеклопластике, и проведено сопоставление результатов прогноза полученных сетей и соответствующих линейных моделей.

Ключевые слова

сверление армированного стеклопластика, расслоения, искусственные нейронные сети, метод сопряженных градиентов

Библиографический список

  1. Ефимов Е.Н., Шевгунов Т.Я. Разработка и исследование методики построения нейронных сетей на основе адаптивных элементов // Труды МАИ, 2012, № 51: http://www.mai.ru/science/trudy/published.php?ID=29159

  2. Грищенко С.В. Расчет и проектирование изделий конструкции самолета из слоистых композитов с учетом межслоевых эффектов // Труды МАИ, 2015, № 84: http://www.mai.ru/science/trudy/published.php?ID=63011

  3. Иванов Ю.Н. Сверление отверстий в смешанных пакетах // Известия Самарского научного центра РАН. 2014. Т. 16. № 1(5). С. 1402–1406.

  4. Медведев В.С. Потемкин В.Г. Нейронные сети. MATLAB 6. — М.: ДИАЛОГ-МИФИ, 2002. — 496 с.

  5. Пантелеев А.В., Летова Т.А. Методы оптимизации в примерах и задачах. — М.: Высшая школа, 2005 — 544 с.

  6. Altinkok N. Modelling of the prediction of tensile and density properties in particle reinforced metal matrix composites by using neural networks / N. Altinkok, R. Koker // Materials and Design. 27. 2006. P. 625–631.

  7. Chakraborty D. Artificial neural network based delamination prediction in laminated composites / D. Chakraborty // Materials and Design. 26. 2005. pp. 1–7.

  8. Gaitonde, V.N. A study aimed at minimizing delamination during drilling of CFRP composites / V.N. Gaitonde // Journal of Composite Materials. 45(22). 2011. P. 2359–2368.

  9. Sorrentino, L. In-process force and temperature monitoring while drilling composites / L. Sorrentino, S. Turchetta, C. Colella // JEC composites magazine. № 102. January-February 2016. pp. 46-48.

  10. Mishra, R. Singh Prediction of drilling-induced damage in unidirectional glass-fibre-reinforced plastic laminates using an artificial neural network / R. Mishra, J. Malik, I. Singh // Proceedings of the Institution of Mechanical Engineers. Part B. Journal of Engineering Manufacture. 2010. pp. 733-738.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2021

Вход