ШТУЧНИЙ ІНТЕЛЕКТ У СТРУКТУРНОМУ ПРОЄКТУВАННІ, ВСТУП В НЕЙРОНІ МЕРЕЖІ
DOI:
https://doi.org/10.31650/2707-3068-2025-29-60-67Ключові слова:
машинне навчання, розпізнавання образів, штучні нейронні мережі, інженерні конструкції, параболічна дуга, еліптична дуга, дуга колаАнотація
У статті розглядається потенційне застосування штучного інтелекту, зокрема штучних нейронних мереж (ШНМ), під час проєктування інженерних споруд. Предметом статті є автоматичне розпізнавання геометричної форми дуги як кругової, еліптичної чи параболічної. Правильне визначення форми дуги має основне значення для створення статичної схеми та обчислювальної моделі конструкції, що необхідно для аналізу міцності конструкції. У цій статті аналізуються два методи ідентифікації на основі ШНМ: багатошаровий персептрон (БШП) та нейронна мережа (СНМ). Мережа БШП класифікує тип дуги на основі геометричних особливостей обраних точок, що лежать на дузі, в той час як мережа СНМ здійснює розпізнавання на основі графічного представлення дуги у вигляді чорно-білого зображення. Також обговорюютьсяперспективи застосування ШІ у цивільному будівництві з акцентом на генеративні моделі та їхнє потенційне використання при проектуванні, моделюванні та автоматизації будівельних процесів.
Аналіз результатів показав дуже високу ефективність обох підходів. Мережа БШП досягла точності класифікації 99% на тестовому наборі. Мережа СНМ досягла точності 96%. Нижчий результат СНМ був обумовлений більшою складністю завдання обробки зображень у порівнянні з аналізом заздалегідь визначених ознак. Обидва результати підтверджують великий потенціал ШНМ в автоматизації завдань розпізнавання геометричних візерунків в інженерії. Штучний інтелект стає універсальним інструментом, який може значно поліпшити різні етапи роботи інженера-конструктора. Однак ефективне використання цих інструментів вимагає вміння перевіряти результати та базових знань у цій галузі.
Посилання
[1] W.S. McCulloch, W. Pitts. “A logical calculus of the ideas immanent in nervous activity”. Bulletin of Mathematical Biophysics 5, 115–133 (1943).
[2] F. Rosenblatt. “The perceptron: A perceiving and recognizing automaton”. Report, Project PARA, Cornell Aeronautical Laboratory, 85-460-1 (1957).
[3] C. Bishop. “Pattern Recognition and Machine Learning (Information Science and Statistics)”. Springer-Verlag (2006).
[4] I. Goodfellow, Y. Bengio, A. Courville. “Deep learning”. MIT Press (2016).
[5] A. Vaswani et al. “Attention is All you Need”. Advances in Neural Information Processing Systems 30 (2017).
[6] W. Peebles, S. Xie. “Scalable Diffusion Models with Transformers”. arXiv cs.CV 2212.09748 (2023).
[7] I. Goodfellow et al. “Generative Adversarial Networks”. arXiv stat.ML 1406.2661 (2014).
[8] J. Ho, A. Jain, P. Abbeel. “Denoising diffusion probabilistic models”. Proceedings of the 34th International Conference on Neural Information Processing Systems 574 (2020).
[9] M. Raissi, P. Perdikaris, G. Karniadakis. “Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations”. arXiv cs.AI 1711.10561 (2017).
+38 (067) 962-83-55
