Page 123 - Дисертаця Венгринюк

123

4.1 Розвиток методів моделювання просторово-часового розподілу

водню

4.1.1 Аналітичний огляд методів машинного навчання (нейронних

мереж) для моделювання просторово-часового розподілу водню

Зважаючи на стрімкий розвиток методів машинного навчання [215],

зокрема нейронних мереж та їх переваги, вони набули популярності у

вирішенні багатьох задач механіки матеріалів та матеріалознавства [110–112,

117, 118, 216, 217], враховуючи також явище водневого окрихчення [111, 112,

118]. Також їх дедалі частіше застосовують у сучасних дослідженнях процесів

дифузії водню в матеріалах та середовищах [113, 117, 119–123], оскільки вони

дають змогу ефективно моделювати складні просторово-часові залежності. На

відміну від класичних підходів (наприклад, рівнянь дифузії), такі методи здатні

враховувати нелінійність, експериментальні дані і вплив великої кількості

неявних факторів.

До методів машинного навчання, які використовують для дослідження
процесів дифузії належать такі [113, 117, 119–123]:

1) Класичні штучні нейронні мережі (Artificial Neural Network – ANN) –
широко застосовують для апроксимації залежностей між параметрами системи

та концентрацією водню [113]. Вони ефективні у випадках, коли доступні
експериментальні або чисельні дані, основними перевагами є здатність

відтворювати складні нелінійні залежності; висока точність прогнозування

після навчання; можливість врахування деградації матеріалу та змін умов

експлуатації. Такі мережі використовуються для прогнозування характеристик

матеріалів, демонструючи низькі похибки та високий коефіцієнт детермінації.

Проте їх недоліками вважають відсутність фізичного змісту та залежність від

обсягу та якості даних;

2) Згорткові нейронні мережі (Convolutional Neural Network – CNN) –

застосовують для моделювання просторового розподілу водню, особливо в