Аппроксимация методами машинного обучения#
В разделе практического руководства по направлению аппроксимация методами машинного обучения вы сможете получить навыки использования ML моделей для решения физических задач, а также навыки использования этих моделей в платформе REPEAT VISION. Применение ML моделей на платформе REPEAT VISION позволяет:
Интегрировать модели машинного обучения для междисциплинарного моделирования комплексных систем;
Использовать в проекте аппроксимации 2D и 3D - моделей. Модели большей размерности могут быть созданы с помощью МКЭ, МКО , PINN или с помощью других численных методов;
Использовать в проекте реальные данные для конкретных систем. Данные могут быть получены по результатам экспериментов или из диагностических систем, установленных на объекты, находящихся на стадии эксплуатации. Данные аппроксимируются с помощью моделей машинного обучения.
Примечание
Если вы не обладаете базовыми навыками использования ML моделей на платформе REPEAT VISION, то ознакомьтесь с вводным уроком перед тем, как продолжить изучение материалов данного практического руководства.
В практическом руководстве представлены шаги реализации простой модели машинного обучения на расчётных данных задачи переноса тепла теплопроводностью в стенке детали изделия.
В практическом руководстве приведено подробное математическое описание моделей физически-информированных нейронных сетей (PINN), а также приведены идеи из актуальных научных статей по достижению лучшей сходимости решения двумерного нестационарного уравнения теплопроводности.
В практическом руководстве представлены шаги реализации модели машинного обучения, предназначенной для аппроксимации стационарного процесса течения газа через штуцер.
В практическом руководстве приведено подробное описание создания модели машинного обучения для аппроксимации максимальных напряжений, действующих в отводе и возникающих при эрозионном износе в процессе эксплуатации газопровода-шлейфа.