Розпізнавання характеристик включення методами нейронних мереж при моделюванні стаціонарних процесів

Abstract

Виявлення та ідентифікація включень при моделюванні стаціонарних процесів є важливою задачею в багатьох технічних галузях, зокрема, матеріалознавстві, електроніці та неруйнівному контролі. Наявність включень може впливати на механічні, теплові та електричні властивості матеріалу, а тому точність визначення їхніх геометричних та фізичних характеристик є важливою. Використання сучасних чисельних методів та методів глибинного навчання відкриває нові можливості для покращення ефективності та точності прогнозування результатів. У статті розглянуто застосування непрямого методу приграничних елементів для розв’язування прямих задач теорії потенціалу та різних типів нейронних мереж для розв’язування обернених, тобто для розпізнавання вказаних характеристик включення (їхнього розміщення, розмірів та коефіцієнта провідності). Проведено низку обчислювальних експериментів для знаходження розв’язків прямої задачі, які дозволили отримати набори даних для навчання та тестування моделей з використанням згорткових, рекурентних та глибинних нейронних мереж. Для підвищення ефективності аналізу даних протестовано використання методу нормалізації даних. Запропоновано новий підхід виділення ознак для прогнозування фізичної характеристики включення (коефіцієнта провідності), що суттєво покращило точність її обчислення. Після проведеного тестування вибрано низку архітектур нейронних мереж для знаходження геометричних і фізичних характеристик та побудовано ансамблі нейронних мереж, які об’єднують найкращі аспекти кожної з них. Результати тестування ансамблевої моделі показали вищу точність визначення коефіцієнта провідності та геометричних характеристик включення порівняно з окремими моделями. Отримані результати можуть бути корисними для вдосконалення методів неруйнівного контролю та виявлення дефектів чи включень. Подальші дослідження будуть спрямовані на розроблення підходу до визначення характеристик декількох включень та створення варіативніших наборів даних. Detection and identification of inclusions in the modeling of stationary processes is a crucial task in many technical fields, including materials science, electronics, and non-destructive testing. The presence of inclusions can affect the mechanical, thermal, and electrical properties of a material, making the accurate determination of their geometric and physical characteristics essential. The use of modern numerical methods and deep learning techniques opens new opportunities for improving the efficiency and accuracy of prediction results. This paper explores the application of the indirect near-boundary element method for solving direct problems in potential theory and various types of neural networks for solving inverse problems, i.e., recognizing the specified characteristics of inclusions (their location, size, and conductivity coefficient). A series of computational experiments were conducted to solve the direct problem, allowing the generation of datasets for training and testing models utilizing convolutional, recurrent, and deep neural networks. To enhance data analysis efficiency, the application of data normalization techniques was tested. A novel approach to feature extraction for predicting the physical characteristic of inclusions (conductivity coefficient) was proposed, significantly improving the accuracy of its computation. After extensive testing, several neural network architectures were selected for determining the geometric and physical characteristics, and neural network ensembles were constructed to integrate the best aspects of each model. The results of ensemble model testing demonstrated higher accuracy in determining the conductivity coefficient and geometric characteristics of inclusions compared to individual models. The obtained results may contribute to the advancement of non-destructive testing methods and the detection of defects or inclusions. Future research will focus on developing an approach for identifying the characteristics of multiple inclusions and creating more diverse datasets.