Аннотация результатов, полученных в 2024 году
1. Рассмотрены новые для оценки долговечности методы частотно-временного представления эксплуатационного нагружения при создании цифровых двойников натурных объектов, а также ряд других методов компактного представления случайного процесса. Проанализирована возможность и качество разложения разных синтезированных и реальных случайных процессов нагружения конструкций на частотно-временные спектры в задачах оценки ресурса конструкций. Использованы следующие частотно-временные методы: преобразование Гильберта-Хуанга, вейвлет преобразование, преобразование Фурье со скользящим окном, преобразование Вигнера-Вилле, Q-факторное вейвлет преобразование (TQWT), дискретное вейвлет преобразование с максимальным наложением (MODWT). Кроме того, дополнительно проанализированы методы, не зависящие от частотного состава и времени реализации, а именно рекуррентные диаграммы и метод GAF (Gramian Angular Field). Выявлено, что кодирование случайного процесса нагружения в изображение методами частотно-временного анализа приводит к потере информации о нагружении объекта и поиск сложных регрессионных закономерностей методами машинного обучения не дает должных результатов. Выявлено, что метод GAF при построении изображения теряет информацию о знаке напряжений (сохраняется только амплитуда и среднее значение). В связи с тем, что при оценке ресурса конструкции важно выделить именно максимумы процесса, выбран метод рекуррентных диаграмм, в котором не теряется информация об изменении знака. 2. Разработана новая интеллектуальная модель оценки остаточного ресурса конструкции на базе сверточных нейронных сетей, которая позволит на основании исходной информации об эксплуатационном процессе нагружения оценивать ресурс конструкции. Разработана одномерная сверточная нейронная сеть для решения задач оценки долговечности по заданной реализации случайного эксплуатационного процесса нагружения. Интеллектуальная модель требует на входе задания распределения максимумов процесса, на выходе оценивается ресурс в виде относительной долговечности от 0 до 1. Выполнена Байесовская оптимизация гиперпараметров нейронной сети, подобраны наилучшие параметры сверточных слоев и процесса обучения. Получена хорошая точность модели, которая оценена на тестовом наборе данных, средняя квадратическая ошибка составила RMSE = 0,0403. Предприняты попытки оценки ресурса с применением двумерной сверточной сети. В качестве метода кодирования случайного нагружения в изображение применялись рекуррентные диаграммы и метод Grammian Angular Field. Применение разных по структуре сверточных нейронных сетей, а также оптимизация гиперпараметров модели, не дало удовлетворительных результатов. Помимо задачи регрессии в работе сделана попытка решения задачи классификации с применением технологии «transfer learning» (дообучения существующей сверточной нейронной сети). Для этой цели были выбраны классы, представляющие собой относительную долговечность от 0 до 1 с шагом 0,01. На сгенерированном наборе данных проведено дообучение существующей сверточной нейронной сети GoogleNet. Выявлено, что адаптация применения классификаторов для оценки долговечности невозможна в виду неудовлетворительного результата. Кроме того, разработан новый алгоритм генерации случайных процессов с заданным параметром разрушения. На его основе сгенерирован релевантный набор данных для нейросетевой модели, состоящий из 10 100 разных по повреждаемости случайных реализаций процесса. Сгенерированный набор данных подвергался случайному разбиению на обучающую, валидационную и тестовую выборки. 3. Выполнена верификация разработанной интеллектуальной модели остаточного ресурса на основе новых экспериментальных данных по усталостным характеристикам стандартных образцов сплава МА-15 при симметричном гармоническом нагружении, а также при случайном нагружении конструктивно-подобных образцов. Выявлено, что погрешность предсказания модели варьируется от 6 до 25%. При этом на более низких уровня нагружения точность модели увеличивается. Увеличение погрешности при высоких уровнях нагружения связано с возникновением относительно высокого уровня напряжений – выше условного предела текучести материала. В этом случае механизм накопления повреждений необходимо описывать закономерностями малоцикловой усталости, которая в работе не рассматривается. Также важно отметить, что экспериментально полученные значения долговечности на одном и том же уровне нагрузок имеют довольно высокий разброс – до 63%. Поэтому, погрешность предсказания модели можно считать удовлетворительной с позиции усталости материала, а нейросетевую модель оценки ресурса считать верифицированной. 4. Дополнительно разработан инструментарий для анализа случайных эксплуатационных процессов нагружения с точки зрения усталостной долговечности (продолжение исследований 2023 года по текущему гранту). Разработанный набор инструментария включает: 1) оценку необходимой частоты дискретизации, 2) проверку стационарности в специальном смысле оценки долговечности и выбор необходимой и достаточной длины реализации, 3) выбор подходящего способа фильтрации, 4) рекомендации по применению низкочастотных медианных фильтров с разными апертурами, 5) рекомендации по фильтрации методом уровней, 6) рекомендации по фильтрации по методом racetrack, 6) коэффициент нерегулярности случайного процесса и эффективная частота. Выполнен анализ применимости предложенного набора инструментов на реальных реализациях случайного процесса напряжений. 5. Разработаны методические рекомендации по формированию цифровых двойников натурных изделий для непрерывного мониторинга и прогнозирования усталостной долговечности с учетом эксплуатационного случайного воздействия с применение интеллектуальных нейросетевых технологий. Рекомендации включают в себя особенности выбора скользящего окна для непрерывного мониторинга, а также содержать алгоритм обучения и валидации одномерной сверточной нейронной сети.