Neural network model for identification of material creep curves using CUDA technologies

Abstract

Ця робота присвячена проблемі ідентифікації реологічних параметрів деревини з використанням штучних нейронних мереж з розпаралеленим алгоритмом навчання за допомогою мови програмування Python, фреймворку Chainer та технології CUDA. Розроблено інтелектуальну систему ідентифікації реологічних параметрів деревини. Створена система містить максимально зрозумілий інтерфейс користувача, весь необхідний комплекс інструментів для автоматизації процесу візуалізації та аналізу даних. У процесі створення інтелектуальної системи було передбачено вирішення наступних завдань: провести аналіз систем штучного інтелекту та аналіз навчання штучних нейронних мереж, зокрема багатошарових нейронних мереж прямого поширення, рекурентної нейронних мереж та нейронної мережі Кохонена; дослідити структуру фреймворку Chainer та його взаємодію з CUDA; провести аналіз існуючих хмарних технологій для реалізації завдання; провести аналіз алгоритмів навчання штучних нейронних мереж, їхнє математичне забезпечення; здійснити розпаралелення алгоритмів навчання та розробити необхідне програмне забезпечення. Використання Chainer дає змогу створювати пул пам'яті для розподілу пам'яті GPU. Щоб уникнути розподілу та вилучення пам'яті під час обчислень, Chainer надає можливість використовувати пул пам'яті CuPy як стандартний розподіл пам'яті не маючи справу з розподілом пам'яті. Для визначення фізико-механічних параметрів математичної моделі неізотермічного вологоперенесення та в'язко-пружного деформування капілярно-пористих матеріалів у процесі сушіння розроблено інтелектуальну систему. Вона надає можливість провести ідентифікацію параметрів ядер повзучості та релаксації, що записується як лінійна комбінація експоненціальних операторів. Запропонований алгоритм апроксимації та отримані розрахункові співвідношення реологічної поведінки деревини за допомогою багатошарової нейромережі з експоненціальними функціями активації у прихованих шарах дає змогу підвищити точність апроксимації експериментальних даних повзучості. Розроблені математичні моделі можуть бути використані для створення систем автоматизованого скінченно-різницевого розрахунку температури, вологовмісту та компонент напружень під час сушіння капілярно-пористих матеріалів з урахуванням технологічних параметрів агента сушіння.This paper addresses the problem of identifying rheological parameters of wood using artificial neural networks with parallel learning algorithm using Python programming language, Chainer framework and CUDA technology. An intelligent system for identification of rheological parameters of wood has been developed. The system created contains the most user-friendly interface, all the necessary set of tools for automation of the process of visualization and analysis of data. In the process of creation of the intellectual system, the following tasks were envisaged: to carry out the analysis of artificial intelligence systems and the analysis of training of artificial neural networks, in particular multilayer neural networks of direct propagation, recurrent neural networks and the Kohonen neural network; examine the structure of the Chainer framework and its interaction with CUDA; to conduct existing cloud technologies to accomplish the task; to conduct the analysis of algorithms of studies of artificial neuron networks, their mathematical providing; to implement parallelization of learning algorithms and to develop the necessary software. Using Chainer allows you to create a memory pool for GPU memory allocation. To avoid memory allocation and erasure during computing, Chainer provides the ability to use the CuPy memory pool as a standard memory allocation without dealing with memory allocation. An intellectual system to determine the physical and mechanical parameters of a mathematical model of nonisothermal moisture transfer and viscoelastic deformation of capillary-porous materials was developed. It provides the opportunity to identify parameters of the kernels of creep and relaxation that is written as a linear combination of exponential operators. The proposed algorithm of approximation and obtained calculated ratios of rheological behavior of wood by means of multilayer neural network with exponential activation functions in hidden layers allows to increase the accuracy of approximation of experimental creep data. The developed mathematical models can be used to create an automated systems of finite-difference calculation of temperature and moisture content, stress components during the drying of capillary-porous materials with taking into account the technological parameters of the drying agent.