Нейромережеве моделювання критичних температур піттінгоутворення сталі
Вирішено завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі нейронних мереж прямого поширення. Запропоновано метод виключення нейронів, що враховує вплив кожного нейрона на помилку моделі. Вирішено практичне завдання визначення критичних температур пі...
Gespeichert in:
| Veröffentlicht in: | Реєстрація, зберігання і обробка даних |
|---|---|
| Datum: | 2019 |
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Інститут проблем реєстрації інформації НАН України
2019
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/169084 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Нейромережеве моделювання критичних температур піттінгоутворення сталі / О.Б. Корнієнко, С.О. Субботін, О.Е. Наринський // Реєстрація, зберігання і обробка даних. — 2019. — Т. 21, № 1. — С. 57–67. — Бібліогр.: 12 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862747683397042176 |
|---|---|
| author | Корнієнко, О.Б. Субботін, С.О. Наринський, О.Е. |
| author_facet | Корнієнко, О.Б. Субботін, С.О. Наринський, О.Е. |
| citation_txt | Нейромережеве моделювання критичних температур піттінгоутворення сталі / О.Б. Корнієнко, С.О. Субботін, О.Е. Наринський // Реєстрація, зберігання і обробка даних. — 2019. — Т. 21, № 1. — С. 57–67. — Бібліогр.: 12 назв. — укр. |
| collection | DSpace DC |
| container_title | Реєстрація, зберігання і обробка даних |
| description | Вирішено завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі нейронних мереж прямого поширення. Запропоновано метод виключення нейронів, що враховує вплив кожного нейрона на помилку моделі. Вирішено практичне завдання визначення критичних температур піттінгоутворення сталі AiSi 321 за її характеристиками. Виконано побудову нейромережевих моделей, їхнє навчання та тестування на даних за характеристиками сталі. Порівняно результати тестування всіх побудованих моделей.
Решена задача создания математического обеспечения для построения моделей количественных зависимостей на основе нейронных сетей прямого распространения. Предложен метод исключения нейронов, учитывающий влияние каждого нейрона на ошибку модели. Решена практическая задача определения критических температур питтингообразования стали AiSi 321 по ее характеристикам. Выполнено построение нейросетевых моделей, их обучение и тестирование на данных по характеристикам стали. Проведено сравнение результатов тестирования всех построенных моделей.
The task of creating mathematical software for constructing quantitative dependency models based on forward propagation neural networks has been solved in the work. A modification of method for dropping out neurons is proposed, which better prevents the model from overfitting. The modified method takes into account the effect of each neuron on the model error. It is proposed to increase the probability of dropping out of neurons that more affect the model error and to decrease the probability of dropping out of neurons that less affect the model error. The practical problem of determining the critical pitting temperatures of AiSi 321 steel by its characteristics has been solved. The construction of neural network models, their training and testing on the data on the characteristics of steel has been performed. The test results of all constructed models have been compared.
|
| first_indexed | 2025-12-07T20:52:09Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-169084 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1560-9189 |
| language | Ukrainian |
| last_indexed | 2025-12-07T20:52:09Z |
| publishDate | 2019 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | dspace |
| spelling | Корнієнко, О.Б. Субботін, С.О. Наринський, О.Е. 2020-06-04T07:38:06Z 2020-06-04T07:38:06Z 2019 Нейромережеве моделювання критичних температур піттінгоутворення сталі / О.Б. Корнієнко, С.О. Субботін, О.Е. Наринський // Реєстрація, зберігання і обробка даних. — 2019. — Т. 21, № 1. — С. 57–67. — Бібліогр.: 12 назв. — укр. 1560-9189 DOI: https://doi.org/10.35681/1560-9189.2019.1.1.179699 https://nasplib.isofts.kiev.ua/handle/123456789/169084 004.9 Вирішено завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі нейронних мереж прямого поширення. Запропоновано метод виключення нейронів, що враховує вплив кожного нейрона на помилку моделі. Вирішено практичне завдання визначення критичних температур піттінгоутворення сталі AiSi 321 за її характеристиками. Виконано побудову нейромережевих моделей, їхнє навчання та тестування на даних за характеристиками сталі. Порівняно результати тестування всіх побудованих моделей. Решена задача создания математического обеспечения для построения моделей количественных зависимостей на основе нейронных сетей прямого распространения. Предложен метод исключения нейронов, учитывающий влияние каждого нейрона на ошибку модели. Решена практическая задача определения критических температур питтингообразования стали AiSi 321 по ее характеристикам. Выполнено построение нейросетевых моделей, их обучение и тестирование на данных по характеристикам стали. Проведено сравнение результатов тестирования всех построенных моделей. The task of creating mathematical software for constructing quantitative dependency models based on forward propagation neural networks has been solved in the work. A modification of method for dropping out neurons is proposed, which better prevents the model from overfitting. The modified method takes into account the effect of each neuron on the model error. It is proposed to increase the probability of dropping out of neurons that more affect the model error and to decrease the probability of dropping out of neurons that less affect the model error. The practical problem of determining the critical pitting temperatures of AiSi 321 steel by its characteristics has been solved. The construction of neural network models, their training and testing on the data on the characteristics of steel has been performed. The test results of all constructed models have been compared. uk Інститут проблем реєстрації інформації НАН України Реєстрація, зберігання і обробка даних Технічні засоби отримання і обробки даних Нейромережеве моделювання критичних температур піттінгоутворення сталі Нейросетевое моделирование критических температур питтингообразования стали Neural network modeling of critical temperatures for steel pitting Article published earlier |
| spellingShingle | Нейромережеве моделювання критичних температур піттінгоутворення сталі Корнієнко, О.Б. Субботін, С.О. Наринський, О.Е. Технічні засоби отримання і обробки даних |
| title | Нейромережеве моделювання критичних температур піттінгоутворення сталі |
| title_alt | Нейросетевое моделирование критических температур питтингообразования стали Neural network modeling of critical temperatures for steel pitting |
| title_full | Нейромережеве моделювання критичних температур піттінгоутворення сталі |
| title_fullStr | Нейромережеве моделювання критичних температур піттінгоутворення сталі |
| title_full_unstemmed | Нейромережеве моделювання критичних температур піттінгоутворення сталі |
| title_short | Нейромережеве моделювання критичних температур піттінгоутворення сталі |
| title_sort | нейромережеве моделювання критичних температур піттінгоутворення сталі |
| topic | Технічні засоби отримання і обробки даних |
| topic_facet | Технічні засоби отримання і обробки даних |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/169084 |
| work_keys_str_mv | AT korníênkoob neiromereževemodelûvannâkritičnihtemperaturpíttíngoutvorennâstalí AT subbotínso neiromereževemodelûvannâkritičnihtemperaturpíttíngoutvorennâstalí AT narinsʹkiioe neiromereževemodelûvannâkritičnihtemperaturpíttíngoutvorennâstalí AT korníênkoob neirosetevoemodelirovaniekritičeskihtemperaturpittingoobrazovaniâstali AT subbotínso neirosetevoemodelirovaniekritičeskihtemperaturpittingoobrazovaniâstali AT narinsʹkiioe neirosetevoemodelirovaniekritičeskihtemperaturpittingoobrazovaniâstali AT korníênkoob neuralnetworkmodelingofcriticaltemperaturesforsteelpitting AT subbotínso neuralnetworkmodelingofcriticaltemperaturesforsteelpitting AT narinsʹkiioe neuralnetworkmodelingofcriticaltemperaturesforsteelpitting |