Page 54 - Дисертаця Венгринюк

54

Водночас застосування машинного навчання має певні обмеження.

Якість прогнозів значною мірою залежить від обсягу та достовірності

навчальних даних. Крім того, нейронні мережі можуть втрачати фізичну

інтерпретованість результатів, що потребує поєднання підходів механіки

руйнування на основі даних із класичними фізичними моделями.

Історично розвиток нейронних мереж відбувався на акуратно відібраних

даних, в певних «лабораторних» умовах завдяки збільшенню кількості даних

аж до моменту, коли корпорації OpenAI вдалось зібрати публічно доступні дані

в світовій мережі інтернет. Такий підхід також і не міг працювати в умовах

малої кількості даних, особливо тих, що важко отримати. Прикладом таких

даних є експериментальні заміри в дослідженнях механічних властивостей

сталей. Для точного моделювання цих фізичних процесів потрібен інших

підхід, що може використовувати обмежені доступні заміри. Як наслідок,

створені фізико-інформовані нейронні мережі [133], які дозволяють

використовувати значно менше експериментальних даних, шляхом залучення

диференціальних рівнянь під час навчання мережі [117, 128, 132, 134].

Отже, сучасні дослідження свідчать, що машинне навчання стає
перспективним інструментом для задач механіки руйнування, дозволяючи не

лише підвищити точність прогнозування процесів пошкодженості та розвитку
тріщин, а й суттєво скоротити обчислювальні витрати при аналізі складних

інженерних систем.

1.4.3 Моделювання деградації тріщиностійкості на основі підходів

механіки руйнування

Деградація тріщиностійкості сталей трубопроводів за дії водню є

наслідком водневого окрихчення і є одним із ключових процесів, що

визначають довговічність та надійність цих інженерних конструкцій.

У механіці руйнування тріщиностійкість характеризує здатність матеріалу