Oszacowanie parametrów charakterystyk podatnych połączeń stalowych za pomocą sieci neuro-rozmytej.pdf
(
442 KB
)
Pobierz
Microsoft Word - Jakubek_Pabisek_Waszczyszyn_got.doc
XLVIII KONFERENCJA NAUKOWA
KOMITETU INŻ YNIERII LĄ DOWEJ I WODNEJ PAN
I KOMITETU NAUKI PZITB
Opole
– Krynica
2002
Magdalena JAKUBEK
1
Ewa PABISEK
2
Zenon WASZCZYSZYN
3
OSZACOWANIE PARAMETRÓ W CHARAKTERYSTYK
PODATNYCH POŁĄCZEŃ STALOWYCH
ZA POMOCĄ SIECI NEURO-ROZMYTEJ
1. Wprowadzenie, cel i zakres pracy
W normie europejskiej EC3 [1] zaproponowano proste modele charakterystyki
M – F
dla
połą czenia ‘rygiel-słup’, gdzie:
M
– przywę złowy moment zginają cy rygiel,
F
– wzajemny
ką t obrotu stycznych do osi rygla i słupa, schodzą cych się w węźle. Parametry modelu
charakterystyki mają być wyznaczone na podstawie wynikó w badań doświadczalnych na
materialnych modelach laboratoryjnych.
Tą drogą poszły pró by zastosowania sztucznych sieci neuronowych do identyfikacji
parametró w modeli proponowanych w EC3, opierają ce się na bankach danych doświad-
czalnych [2-6]. Niestety, wyniki tych prac nie zakończyły się znaczą cym powodzeniem.
Głó wnym powodem były mało reprezentatywne badania, ograniczane do niepowtarzalnych
doświadczeń na mało licznych zbiorach połą czeń. Prowadziło to do wynikó w o niskiej
dokładności predykcji neuronowej.
W naszym referacie podejmujemy pró bę ponownej analizy problemu wyznaczania
parametró w prostej biliniowej charakterystyki ale nie w odniesieniu do wartości ostrych lecz
rozmytych w sensie wartości przedziałowych. W tym celu zbudowano sieć jednokierunkową
o parametrach rozmytych, opierają c się na metodzie zaproponowanej w [7]. Metoda polega
na uczeniu sieci na oddzielnych wzorcach celem wyznaczenia funkcji przynależności dla
parametró w sieci jednokierunkowej.
Tak otrzymaną sieć neuro-rozmytą zastosujemy do wyznaczenia przedziałowych war-
tości parametró w grupy 30 połą czeń analizowanych w [4].
2. Sieć neuro-rozmyta
Różnego typu sieci neuro-rozmyte są omawiane w [9]. W naszym referacie zajmujemy się
siecią o parametrach rozmytych, a wię c siecią , któ ra może odwzorowywać rozmyte wartości
1
Mgr inż., Wydział Inżynierii Lą dowej Politechniki Krakowskiej
2
Dr inż., Wydział Inżynierii Lą dowej Politechniki Krakowskiej
3
Prof. dr hab. inż., Wydział Inżynierii Lą dowej Politechniki Krakowskiej
70
wejść w rozmyte wartości wyjść , ale też dla ostrych wejść dawać rozmyte wyjścia. Uczenie
takiej sieci za pomocą operacji na zbiorach rozmytych jest bardzo trudne i ze wzglę du na
efektywność numeryczną wymaga znacznych uproszczeń modelu, np. w odniesieniu do
przyjmowanych funkcji przynależności [9].
Z tych powodó w oparliśmy się na pomyśle algorytmu zaproponowanego w [6]. Polega
on na wstę pnym uczeniu sieci na zbiorze wzorcó w uczą cych:
L
= {(
x
(
p
)
,
z
(
p
)
) |
p
= 1,...,
L
} . (1)
Po nauczeniu sieci zbió r parametró w sieci (wartości wag synaptycznych i wartości
progowych ), oznaczony w skró cie jako {
w
i
o
|
i
= 1,...,
LPS
} gdzie
LPS
jest liczba paramet-
ró w sieci, przyjmujemy jako zbió r parametró w począ tkowych do uczenia sieci dla kolejnych
wzorcó w
p
= 1,...,
L
. Obliczone parametry służą do wyznaczania funkcji zależności dla
parametró w sieci
i
= 1,...,
LPS
.
Algorytm budowania sieci neuro-rozmytej omó wiono szczegółowo w [10]. Składa się
on z trzech etapó w. W Etapie I sieć jest uczona na całym zbiorze uczą cym (1). Ten etap jest
poprzedzony etapem wstę pnym projektowania sieci, por. [10]. W Etapie II proces uczenia
jest powtarzany
L
razy, kolejno dla każdego wzorca uczą cego
p
. Po obliczeniu zbioru
parametró w {
w
i
(
p
)
‰
p
=1,...,
L
;
i
=1,...,
LPA
}. W Etapie III obliczamy funkcje przynależności
m
i
=
m
(
w
i
)
dla wszystkich parametró w sieci
i
.
Dochodzimy w ten sposó b do sieci rozmytej,
któ ra po pozytywnym sprawdzeniu na zbiorze testują cym może być używana w etapie
operacyjnym do predykcji neuronowej dla innych zbioró w niż wcześniej wykorzystane
zbiory uczą cy i testują cy.
W [11] omó wiono dwie metody obliczania funkcji przynależności. Prostsza metoda,
wzię ta z [6], zakłada funkcje tró jką tne, por. rys. 1a (t), gdzie długości podstaw
y s
ą obliczone
dla standardowych odchyleń
s
L
i
s
R
odmierzanych od wartości średniej
w
, gdzie dla
uproszczenia pominię to indeks
i
parametru sieci. Przekroje a odpowiadają wartości przyna-
leżności i wartości przedziałowych [
w
L
,
w
R
]
a
= [
w
L
a
,
w
R
a
] .
Rys. 1. Funkcje przynależności parametru sieci neuro-rozmytej:
a) funkcja tró jką tna (t), b) funkcja nieliniowa (n)
Druga metoda wyznaczania nieliniowej funkcji przynależności parametró w sieci, por.
rys. 1a (n), polega na liczeniu empirycznej dystrubuanty dla parametró w
w
min
£
w
(
p
)
<
w
oraz
w
£
w
(
p
)
£
w
max
. Numery wzorcó w
w
L
a
i
w
R
a
obliczamy z nieró wności:
71
(
1- 2
K
/
L
)
£ a <
(
1- 2 (
K-
1) /
L
)
, (2)
gd
zie:
K
=
k
L
a
,
k
R
a
– numery parametró w liczone na lewo lub na prawo od wartości średniej
w
. Jeśli zajdzie przypadek, że
a
˛ (
K-
1 ,
K
) to wartości
w
L
a
,
w
R
a
są obliczane z
interpolacji liniowej wartości z przedziału (
w
K-1
,
w
K
), por. [11].
Po wyznaczeniu funkcji przynależności dla każdego parametru sieci możemy ją
wykorzystać dla obliczania wartości przedziałowych wyjść [
y
L
,
y
R
]
a
dla ustalonej wartości
przekroju
a
. Zmieniają c wartości
a
możemy odtworzyć funkcje przynależności wyjść . Na
skutek rozmycia parametró w sieci, rozmyte wyjścia otrzymamy nie tylko dla rozmytych ale
też ostrych wejść . Po wprowadzeniu wartości przedziałowych składowych wektoró w wejść
[
x
j
L
,
x
j
R
] dalej są wykonywane działania na nich zgodnie z rachunkiem przedziałowym [9].
W przypadku ostrych wartości wejść dla wszystkich
a
przyjmujemy
x
j
L
, =
x
j
R
.
3. Dane doświadczalne
Z obszernego banku danych Sericon, zgromadzonego w RWTH Aachen [8], przyję to zbió r
30 połą czeń analizowanych w [4]. Na rys. 2a pokazano konstrukcję połą czenia, określonego
6-ma parametrami, któ re przyję to jako składowe wektora wejścia
x
. Na rys. 2b pokazana
jest krzywa doświadczalna (d) charakterystyki
M
-
F
jednego z analizowanych połą czeń.
Aproksymację liniową (b) wykonano w [4] przez obliczenie takich wartości
F
Rd
,
M
Rd
i
F
Cd
, któ re dają równość powierzchni D
1
= D
2
zawartych mię dzy krzywymi (a) i (b). W [4]
przytoczono tablicę z 6-ciu danymi i obliczonymi 3-ma parametrami aproksymacji
biliniowej dla wszystkich wartości 30-tu połą czeń.
Rys. 2. a) Analizowane połą czenie, b) Charakterystyki
M
-
F
połą czenia:
(d) krzywa doświadczalna, (b) aproksymacja biliniowa
4. Aproksymacja neuronowa
Tak samo jak w [4] przyję to wektory wejścia i wyjścia o nastę pują cych składowych, por.
rys. 2a:
x
(6x1)
=
{
h
c
,
t
f
,
t
w
,
h
b
,
b
,
a
f
}
,
y
(3x1)
=
{
M
Rd
,
Φ
Rd
,
Φ
Cd
}
, (3)
72
gdzie wszystkie składowe (
•
) przeskalowano do przedziału (0, 0.9).
W dalszym cią gu zajmujemy się tylko jednym przypadkiem, oznaczonym [4] jako
przypadek II/3, w któ rym zbió r testują cy składał się z połą czeń o numerach 9, 17, 29, a
pozostałe 27 połą czeń tworzą zbió r uczą cy. Do uczenia zbioru wstę pnych parametró w sieci
{
w
i
o
} oraz zbioru parametró w dla indywidualnych wzorcó w {
w
i
(
p
)
}, t.zn. do realizacji Eta-
pó w I i II algorytmu omowionego wyżej w p. 1, zastosowano sieć 6-7-3 o sigmoidalnych
neuronach w warstwie ukrytej i wyjściowej. Posługują c się symulatorem [12] zastosowano
do uczenia sieci metoda Levenberga-Marquardta (LM). Błą d aproksymacji mierzono miarą :
1
V
3
RMS
(
V
) =
(
(
z
j
(
p
-
y
j
(
p
)
)
2
)
1/2
, (4)
V
p
=1
j
=1
gdzie:
z
j
(
p
)
,
y
j
(
p
)
– przeskalowane znane i obliczone siecią wartości wyjść
j
dla wzorca
p
,
V
=
L
,
T
,
P
– liczba elementó w w zbiorach uczą cym i testują cym oraz pełnym zbiorze
P
=
L
+
T
.
Uczenie w Etapie I wymagało mniej niż 100 epok aby osią gnąć dokładność rzę du
RMS
(
L
) » 1 10
-3
. Uczenie w Etapie II wymagało ok. 20 epok aby osią gnąć dokładność
RMS
(
p
) » 1 10
-6
. W Tabl. 1 zestawiono błę dy Etapu I i Etapu II dla przekroju
a
= 1.0 ,
określane wzorami:
1
V
avr
epV
j
=
=
ep
, max
epV
j
= max {
ep
j
‰
p
=1,...,
V
} , (5)
j
V
p
1
dla
ep
j
= ‰1-
y
j
(
p
)
/
z
j
(
p
)
‰· 100% .
W tablicy przytoczono też wartości współczynnika korelacji
r
P
obliczonego dla wszystkich
par (
y
j
(
p
)
,
z
j
(
p
)
) całego zbioru
P
= 30 połą czeń.
Tablica 1. Błę dy neuronowej predykcji
Sieć
6-7-3
Błę dy sieci
RMS
(
V
) · 10
2
Błę dy wzglę dne [%]
dla
V
=
P
:
M - Rd
Współczynnik
korelacji
r
P
dla
:
V
=
T
avr max avr max avr max
M-Rd Phi-Rd Phi-Cd
Etap I 3.09 18.87 5.22 27.33 6.42 33.20 5.41 40.13 0.988 0.997 0.977
a=1.0
8.96 17.28 10.89 23.29 8.64 24.04 15.68 34.46 0.987 0.988 0.989
V
=
L
Phi - Rd
Phi - Cd
W tablicy podano błę dy dla wstę pnego uczenia sieci na wszystkich wzorcach (Etap I).
W nastę pnym wierszu zestawiono błę dy dla sieci rozmytej i przekroju
a
= 1.0 . Widać , że
średnie błę dy wzglę dne są wyższe dla sieci rozmytej ale obniżają się błę dy maksymalne.
Dokładność obliczania momentu
M
Rd
i obrotu
F
Rd
jest wię ksza niż granicznego obrotu
F
Cd
Na rys. 3 pokazano funkcje przynależne funkcji wyjściowych dla
y
j
(
p
)
=
M
Rd
,
F
Rd
,
F
Rd
dla wzorcó w testują cych
p
= 9, 17, 29. Funkcje przynależności pokazano przy założeniu
funkcji przynależności wag parametró w sieci o kształtach tró jką tnych (t) i nieliniowych (n),
por. rys. 1. Na rysunkach zaznaczono przez
◊
punkty odpowiadają ce wartościom przedzia-
łowym dla przekrojó w
a
= 0.0, 0.25, 0.75, 0.9, 1.0. Przez
zaznaczono położenie znanych
wartości wyjściowych
z
j
(
p
)
. Wyniki dla funkcji przynależności (t) są bliskie wynikó w otrzy-
73
manych za pomocą funkcji (n) dla przekroju
a
= 0.9. Dlatego dalszy rysunek jest wyko-
nany dla funkcji (t) i przekrojó w
a
= 1.0 i 0.9 .
Rys. 3. Funkcje przynależności dla wielkości wyjściowych
M
Rd
,
F
Rd
i
F
Cd
dla połą czeń 9, 17, 29 przy posługiwaniu się funkcjami przynależności parametró w
sieci oznaczonymi przez: (t)
◊
◊
,
(n)
--◊--◊-- ;
-
wartość doświadczalna
Plik z chomika:
czerwony.kozak
Inne pliki z tego folderu:
Zmiany właściwości dynamicznych hali stalowej na skutek wypełnienia ścian płytami osłonowymi z bl.pdf
(367 KB)
Oszacowanie parametrów charakterystyk podatnych połączeń stalowych za pomocą sieci neuro-rozmytej.pdf
(442 KB)
Wpływ obciążenia losowego na rozkład sił wewnętrznych w elementach stalowego mostu kolejowego.pdf
(346 KB)
Deformacja powłok obrotowych od wpływu temperatury.pdf
(352 KB)
Czasowo-widmowa charakterystyka parasejsmicznych wymuszeń kinematycznych.pdf
(199 KB)
Inne foldery tego chomika:
Abaqus
Abaqus 6.5.1
Abaqus for Students
Abby finereader Corporate Edition. W częściach po 50mb
ABBYY FineReader Pro 10 PL crack
Zgłoś jeśli
naruszono regulamin