- •1. Введение
- •2. Основные положения теории искусственных нейронных сетей
- •2.1. Введение.
- •2.2. Задачи, решаемые при помощи инс
- •2.3. Устройство инс
- •2.3.1. Искусственный нейрон
- •2.3.2. Искусственная нейронная сеть.
- •2.4. Архитектуры инс
- •2.5. Математическое обоснование работоспособности инс.
- •2.6. Обучение инс
- •2.6.1. Метод обратного распространения ошибки
- •3. Моделирование аэродинамических характеристик несущего винта вертолета
- •3.1 Основные положения аэроупругой математической модели несущего винта
- •3.1.1. Моделирование упругих деформаций лопасти.
- •3.1.2. Уравнение движения лопасти.
- •3.1.3. Аэродинамическая нагрузка на несущем винте.
- •3.1.4 Расчет аэродинамических характеристик нв
- •3.2 Алгоритм моделирования аэродинамических характеристик несущего винта при помощи многослойного персептрона
- •4. Разработка и обучение нейронной сети, моделирующей аэродинамические характеристики несущего винта вертолета.
- •4.1 Разработка программного обеспечения, моделирующего искусственные нейронные сети.
- •4.1.1. Требования к по
- •4.1.2. Разработка по
- •4.1.2.1. Функции выполняемые программой «Искусственные Нейронные Сети 1.1»
- •4.1.2.2Принципиальная схема функционирования «Искусственные Нейронные Сети 1.1»
- •4.2 Исследование влияния конфигурации нейронной сети на эффективность ее работы
- •3.3.1.1. Оценка сходимости по числу нейронов в слое и количеству циклов обучения
- •3.3.1.2. Оценка сходимости по числу слоев сети и количеству циклов обучения
- •3.3.1.2. Оценка влияния числа входов/выходов нейросети.
- •4.3 Формирование предпроцессора и постпроцессора сети
- •3.3.2.1. Информативность параметров
- •3.3.2.2. Нормирование входных и выходных данных.
- •3.3.2.3. Дискретизация входных данных.
- •4.4 Оптимизация процесса обучения нейронной сети
- •3.3.3.1. Усовершенствование метода обратного распространения ошибки
- •3.3.3.2. Метод коррекции ошибки
- •4.5 Обучение нейронной сети с учетом результатов исследований.
- •5. Расчет характеристик несущего винта и сравнение с исходной расчетной моделью
- •5.1. Расчет коэффициента подъемной силы
- •5.2. Расчет коэффициента силы сопротивления
- •5.3. Расчет коэффициента крутящего момента
- •5.3. Расчет коэффициента момента тангажа
- •6. Основные результаты и выводы.
- •7. Расчет себестоимости создания нейросетевой математической модели нв и необходимого по.
- •7.1. Введение
- •7.2. Основные гипотезы и допущения
- •7.4.3. Заработная плата исполнителей.
- •7.4.3.1. Основная заработная плата.
- •7.4.4 Отчисления единого социального налога.
- •7.4.5 Расчет стоимости машинного времени
- •7.4.6 Материалы и комплектующие
- •7.6.6 Накладные расходы.
- •7.6.7 Суммарная себестоимость разработки по.
- •7.5 Расчет рентабельности
- •7.6 Итог
- •8. Безопасности жизнедеятельности. Рабочее место инженера расчетчика и оператора эвм
- •8.1 Введение
- •8.2 Объект экспертизы
- •8.3 Факторы влияющие на работу оператора эвм
- •8.3.1 Электромагнитное излучение
- •8.3.2 Статическое электричество
- •8.3.3 Вентиляция помещения
- •8.3.4 Микроклимат
- •Температуры и относительной влажности воздуха в помещениях с эвм
- •8.3.5 Освещение помещения
- •8.3.7 Электробезопасность
- •8.4 Эргономическая проработка рабочего места.
- •Моторные поля
- •8.5. Расчет показателей, характеризующих охрану и условия труда при работе за эвм.
- •8.5.1 Определение показателей степени автоматизации и механизации труда.
- •8.5.2 Определение показателей травмобезопастности труда.
- •Безопасные операции
- •8.5.3 Определение коэффициента безвредности труда.
- •8.5.4 Определение интегральных показателей.
- •8.6 Пожарная профилактика
- •Профилактика
- •Тушение пожара
- •8.7 Дерево отказов.
- •8.8 Охрана окружающей среды
- •Приложение «Искусственные Нейронные Сети 1.0»
- •Возможности программы
- •Руководство пользователя Загрузка обучающей выборки
- •Создание инс
- •Обучение инс
- •Проведение расчетов при помощи полученной инс
- •Сохранение и загрузка инс
- •Устройство программы
- •«Искусственные Нейронные Сети 1.1»
- •Выполняемые программой функции
- •Основные изменения
- •Создание новой инс
- •Загрузка обучающей выборки.
- •Обучение инс
- •Проведение расчетов при помощи полученной инс
- •Сохранение и загрузка инс
- •Устройство «Искусственные Нейронные сети 1.1»
- •Использованная литература
7. Расчет себестоимости создания нейросетевой математической модели нв и необходимого по.
7.1. Введение
На сегодняшний день проектирование любого вертолета требует проведения огромного количества всевозможных расчетов, без которых создание конкурентоспособного ЛА просто немыслимо. Необходимо проведение массовых расчетов, расчетов силовой установки, прочностных, аэродинамических расчетов, расчетов балансировки и динамических характеристик вертолета и т.д. Каждый из этих расчетов довольно сложен и требует больших вычислительных и временных затрат. Большинство из этих расчетов требует знания аэродинамических характеристик несущего винта (НВ). Так, например, при расчете балансировки, динамических характеристик и прочности вертолета необходимо знать какие силы и моменты образуются на НВ в тех или иных условиях (скорости полета, высоте полета, расположение органов управления и т.д.). Расчет аэродинамических характеристик НВ также является сложной и ресурсоемкой задачей.
В настоящее время для проведения этих расчетов широко применяются ЭВМ. Существует множество программ, рассчитывающих аэродинамические характеристики НВ при помощи численных методов. Результаты этих расчетов обладают достаточно высокой точностью, однако они по-прежнему требуют больших вычислительных и временных затрат.
В этой связи создание модели, позволяющей вычислять аэродинамические характеристики НВ при низких вычислительных и временных затратах, весьма актуально. И это стало возможно благодаря бурному развитию нейросетевых технологий в последние годы. Нейросетевая модель НВ позволяет вычислять аэродинамические характеристики, затрачивая на порядок меньше вычислительных и временных ресурсов, что значительно ускорит и удешевит проведение остальных расчетов. По точности эта модель практически не уступает своим численным аналогам, но значительно превосходит их по быстродействию.
Благодаря своему быстродействию нейросетевая модель НВ приобретает новую, не менее актуальную, область возможного применения – создание авиа-тренажеров для пилотов. В настоящее время процесс подготовки пилотов обязательно включает в себя этап обучения на авиа-тренажерах. Применение авиа-тренажеров обусловлено их сравнительной дешевизной, ведь обучение на реальных летательных аппаратах (ЛА) обошлось бы на порядок дороже. Однако, не смотря на их сравнительную дешевизну, они все же весьма дорогостоящи, поскольку требуют применения высокопроизводительных ЭВМ, ведь расчет всех параметров ЛА должен вестись в режиме реального времени. Адекватность расчетных моделей, применяемых в авиа-тренажере, также выдвигает свои требования к производительности ЭВМ. Чем совершеннее модель ЛА, тем она сложнее и тем требовательней к характеристикам ЭВМ. А при обучении, естественно, желательно применение наиболее реалистичной модели. Итак, все эти факторы ставят перед разработчиками авиа-тренажеров выбор – либо создавать максимально реалистичные, но очень дорогостоящие тренажеры, либо уменьшать их стоимость, но расплачиваться за это реалистичностью модели, что сильно снизит качество обучения пилотов. Применение же нейросетевой модели НВ позволяет при сохранении реалистичности модели значительно снизить затраты, поскольку ее потребность в вычислительных мощностях гораздо ниже.
Следует сразу оговориться, что нейросетевая модель не требует больших вычислительных мощностей на стадии функционирования, процесс же ее создания (обучении нейросети) требует довольно значительных вычислительных затрат, однако эти затраты единовременны и быстро окупаются.
Таким образом, становится очевидным преимущество нейросетевой модели для расчета аэродинамических характеристик НВ перед своими аналогами.
Исследование возможности моделирования НВ посредством нейронных сетей включает в себя: поиск и сбор информации по теме; анализ и изучение информации; создание программного обеспечения, позволяющего создавать искусственные нейросети произвольной конфигурации, проводить их обучение, а также осуществлять посредством этих нейросетей расчеты; исследование поведения нейронной сети для нахожления оптимальной конфигурации нейросети для поставленной задачи; качественное обучение этой нейросети. Результатом работы должно стать создание нейросетевой математической модели аэродинамических характеристик НВ.