ВЫЧИСЛИТЕЛЬНАЯ МОДЕЛЬ ЗНАЧЕНИЙ ПОТЕНЦИАЛОВ КОРПУСНЫХ СТАЛЕЙ В МОРСКОЙ ВОДЕ
Аннотация
В статье приведен анализ существующих моделей нейронных сетей. Описаны особенности построения нейронной сети с использованием нескольких параметров, влияющих на выходную величину. Выявлены преимущества использования нейронных сетей и вычислительных систем на их основе. Поставленная задача была решена с использованием языка программирования Python. Разработана вычислительная модель значений потенциала стали с оксидной пленкой и потенциала стали без оксидной пленки для различной солености морской воды и различных видов корпусных сталей, применяемых для корпусов морских судов и подводных конструкций океанотехнических сооружений, проектируемых для Черноморского бассейна Севастопольского региона и эксплуатирующихся в этом регионе. Полученные результаты работы позволят повысить точность прогнозирования потенциалов для различных марок корпусных сталей.
Литература
Kramar Vadim, Neural Network Modeling the Potential of Steels with Different Chrome Content / Vadim Kramar, Veronika Dushko, Anna Rodkina, Vasiliy Alchakov // Proceedings Engineering of the 26th International DAAAM Symposium «Intelligent Manufacturing & Automation» 21-24th October 2015, Zadar, Croatia, EU, Volume 26, No.1, ISSN 1726-9679, Ed. B. Katalinic, Published by DAAAM International, Vienna, Austria, EU, 2016. – pp. 1059–1067. https://doi.org/10.2507/26th.daaam.proceedings.087
Hussein Kadhim Mohammed AL-Shareefi. Neural Network Corrosion Control by Impressed Cathodic Protiction / University of Technology – Baghdad – Iraq. 2009.
Wasserman, P.D. «Neural Computing :Theory and Practice», Van Nostrand Reinhold, New York, USA, 1989.
Jain, A.K., Mao, J.and Mohiuddin, K. «Artificial Neural Networks: A Tutorial», IEEE Computer, Vol.29, No.3, pp.31-44, 1996. https://doi.org/10.1109/2.485891
Hornik, K., Stinchcombe, M.and White, H. «Multilayer Feedforward Networks are Universal Approximators», Neural Networks, Vol.2, pp.359 -366, 1989. https://doi.org/10.1016/0893-6080(89)90020-8
Principe, J.C., Euliano, N.R.and Lefebvre, W.C. «Neural and Adaptive Systems», John Wiley and Sons, Inc., USA, 2000.
Hecht-Nielsen, R. «Neurocomputing», Addison-Wesley Publishing Company, Inc., 1990.
Shayma Mehdi Salih, «study the effect of some variables on cathodic protection current density»، MSc.Thesis, Iraq University of Technology, 2005.
V A Kramar, V V Alchakov, V R Dushko, T V Kramar Application of support vector machine for prediction and classification / IOP Conf. Series: Journal of Physics: Conf. Series 1015 (2018) 032070 doi :10.1088/1742-6596/1015/3/032070. https://doi.org/10.1088/1742-6596/1015/3/032070
Круглов В.В. Искуственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов ‒ М.: Горячая линия ‒ Телеком, 2002. ‒ 382 с.
Вандер Плас Дж. Python для сложных задач: наука о данных и машинное обучение / Плас Дж. Вандер. – СПб.: Питер, 2018. – 576 с.: ил.
Родькина А.В. Гибридная нейронная сеть для прогнозирования защитного потенциала подводной части океанотехнических сооружений / А.В. Родькина, В.А. Крамарь, Е.М. Грамузов, О.А. Иванова // Труды Крыловского государственного научного центра. – СПб.: ФГУП «Крыловский государственный научный центр», 2019. – Журнал_№ 20192. – Том 2. – С. 254–262. https://doi.org/10.24937/2542-2324-2019-2-s-i-254-262
Copyright (c) 2020 Научные проблемы водного транспорта
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
