Дисертації (МЕ)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Перегляд Дисертації (МЕ) за Автор "Королюк, Дмитро Володимирович"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Збагачення даних для прогнозування властивостей метаматеріалів(КПІ ім. Ігоря Сікорського, 2024) Крисенко, Павло Ігорович; Королюк, Дмитро ВолодимировичКрисенко П. І. Збагачення даних для прогнозування властивостей метаматеріалів. Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 153 – Мікро- та наносистемна техніка (галузь знань 15 – Автоматизація та приладобудування). – Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", Київ, 2024. Робота присвячена розробці методики збагачення кількості даних для покращення прогнозування коефіцієнта пропускання метаматеріалів на основі топологічної структури та складу, параметрів опромінення поверхні метаматеріалу, а також для покращення можливостей розв’язку оберненої задачі із застосуванням штучних нейронних мереж. У дисертаційній роботі досліджено науково-прикладні аспекти використання згорткових нейронних мереж для розв'язання задач у галузі проектування та прогнозування властивостей метаматеріалів та можливість задання параметрів опромінення поверхні метаматеріалу для збільшення кількості доступних даних У сучасних дослідженнях у галузі науки та техніки глибоке навчання, зокрема застосування згорткових нейронних мереж, виявляється дієвим засобом розробки ефективних методів аналізу та прогнозування властивостей метаматеріалів у контексті їх дизайну. Цей підхід відзначається своєю легкістю в реалізації, доступністю відповідних даних, а також високою швидкістю обчислень порівняно з традиційними методами, що базуються на фізичних законах. Розуміється, що нейронні мережі є складними в реалізації та мають свої обмеження, такі як потреба у великій кількості даних, складність оптимізації та постановки завдань. Проте, з розвитком глибокого навчання, ці обмеження поступово зменшуються, забезпечуючи більший доступ до цього підходу. Використання нейронних мереж у дизайні метаматеріалів передбачає їх застосування для знаходження матеріалів та топології метаматеріалів за заданими характеристиками. Цей процес починається з навчання нейронних мереж на основі великої кількості вхідних даних, які включають параметри метаматеріалу, такі як розмір, форма та склад, і бажані властивості, такі як поглинання, відбивання та пропускання світла. Після завершення навчання нейронна мережа може використовуватися для прогнозування властивостей метаматеріалів на основі нових вхідних даних, тобто передбачати, як метаматеріал відреагує на нові електромагнітні хвилі. Завдяки нейронним мережам можна автоматизувати та оптимізувати процес дизайну метаматеріалів, шукати складні залежності між параметрами матеріалу та функціональним відгуком, що є важко досяжним для традиційних методів. Важливо також відзначити можливість аналізувати дані про склад та структуру метаматеріалів та використовувати їх для передбачення електромагнітних властивостей. У цьому дослідженні використовувалися сучасні знання та підходи до згорткових нейронних мереж для створення оптимальної архітектури нейронної мережі. Для отримання інформації про метаматеріали були використані дані з топологією та складом цих матеріалів. Застосовувалися програмні середовища для розробки цифрового коду та побудови 3D об'єктів метаматеріалів з визначеними властивостями. Важливим аспектом була можливість прогнозувати коефіцієнт пропускання на основі інформації про структуру та склад метаматеріалів. Зокрема, була проведена конвертація даних з формату ".ply" у формат ".xyzrgb" за допомогою програмного пакета Open3D на базі Python. Цей формат містив важливі дані, які можна було використовувати для навчання нейронних мереж. Показано важливі вимоги до даних, такі як однорідність та масштабованість. Розроблено алгоритм для прогнозування властивостей метаматеріалів на основі їх структури та складу та умов експериментальних досліджень, використовуючи згорткову нейронну мережу, та методи кодування додаткової інформації в штучну нейронну мережу. Також був розроблений метод для ефективного зберігання інформації про склад метаматеріалів, що дозволяє передбачати їхні електромагнітні властивості. Обговорено різні цифрові формати, які можна використовувати для зберігання необхідних даних про метаматеріали. Також досліджено способи представлення властивостей метаматеріалів у вигляді, зручному для навчання згорткової нейронної мережі. Проведено порівняльний аналіз ефективності різних методів, вказавши, що представлення характеристик у вигляді коефіцієнтів полінома, хоча швидше, не є найкращим для прогнозування характеристик метаматеріалів. Проаналізовано формати збереження інформації про 3D структури. В цій роботі досліджено, що такі формати, як «.3ds» ,«.obj», «.fbx», «.stl», не підходять, через такі недоліки: відсутність швидкого та простого програмного забезпечення (для ефективного конвертування структур метаматеріалів у формат для навчання штучної нейронної мережі); неможливість зберігання додаткової інформації у канали про структурний склад метаматеріалів; неможливість видалення проприєтарної інформації яка кодується та змішується з потрібними для навчання даними. Розроблено конвеєр навчання тривимірної згорткової нейронної мережі для прогнозування частотних електромагнітних характеристик метаматеріалів на основі структури та складу метаматеріалів та можливістю встановлення інформації про умови експериментальних досліджень. Показані результати прогнозування для різних вибірок даних поділених по масштабу частоти опромінення, з урахуванням інформації о умовах експериментальних досліджень. Був виконаний аналіз результата навчання та прогнозування. Було запропоновано шляхи покращення якості прогнозування шляхом збільшення вибірки даних для навчання та використання сучасних відходів у глибокому навчанні. Також було запропоновано шляхи вирішення зворотної задачі для генерації структури за заданими параметрами.Документ Відкритий доступ Згорткова нейронна мережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури(КПІ ім. Ігоря Сікорського, 2023) Зозюк, Максим Олегович; Королюк, Дмитро ВолодимировичЗозюк М. О. Згорткова нейромережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 153 – Мікро- та наносистемна техніка (галузь знань 15 – Автоматизація та приладобудування). – Національний технічний університет України, Київ, 2022. Робота присвячена розробці методики прогнозування коефіцієнту пропускання метаматеріалів на основі топологічної структури та складу із застосуванням технік глибокого навчання, а саме – математичні нейронні мережі з використанням операцій згортки та допоміжних. Науково-прикладні дослідження, висвітлені в дисертаційній роботі, зосереджені на практичному дослідженні згорткових нейронних мереж для виконання завдань прогнозування у сферах проєктування, передбачення метаматеріалів з потрібними властивостями. В сучасних науково-технічних дослідженнях методи глибокого навчання: згорткові нейроні мережі, дають можливість розробити прості й ефективні методи аналізу та прогнозу властивостей в задачах дизайну метаматеріалів. Перевагою цієї техніки є зручність в реалізації, наявність даних для цього підходу, швидкість в обчисленнях у порівнянні з точними методами прогнозування властивостей і топологічної структури на основі фізичних законів. Звичайно, нейронні мережі є доволі складним процесом, який має свої недоліки – необхідність у великій кількості даних, відносна складність оптимізації, складність постановки задачі. З розвитком технологій глибокого навчання, ці недоліки все більш нівелюються, і тому їх використання стає доступнішим. Нейронні мережі використовуються для дизайну метаматеріалів, тобто штучних матеріалів, що мають непередбачуваний зворотний відгук на електромагнітні хвилі. Основна ідея полягає в тому, що нейронні мережі використовуються для оптимізації топології та параметрів метаматеріалів. Перш за все, нейронна мережа навчається на основі великої кількості вхіднихвихідних даних, де вхідні дані становлять собою деякі параметри метаматеріалу (наприклад, розмір, форма, компоненти), а вихідні дані - бажаний відгук на світло (наприклад, поглинання, відбивання, пропускання). Після завершення навчання, нейронна мережа може бути використана для прогнозування вихідних даних на основі нових вхідних даних, тобто вона може передбачати як відгук метаматеріалу на нові електромагнітні хвилі. Нейронні мережі можуть допомогти в процесі дизайну метаматеріалів, оскільки вони можуть досліджувати велику кількість варіантів метаматеріалів та ефективно оптимізувати їх параметри з метою досягнення бажаного функціонального відгуку. Одне з переваг використання нейронних мереж у дизайні метаматеріалів полягає в тому, що вони можуть враховувати складні взаємозв'язки між параметрами матеріалів і функціональним відгуком. Вони здатні знаходити нелінійні залежності, які можуть бути складні для методів традиційного проєктування. Отже, нейронні мережі дозволяють автоматизувати та оптимізувати процес дизайну метаматеріалів, забезпечуючи швидшу та ефективнішу розробку нових матеріалів з бажаними властивостями. Для досліджень використовувались сучасні напрацювання для згорткових нейронних мереж щодо підходів, які застосовуються для подолання їх обмежень. Було використано велику кількість інформації про метаматеріали з відповідних джерел, а саме – топологія та склад метаматеріалів. Використовувались програмні середовища для написання цифрового коду та побудови 3D об’єктів метаматеріалів з визначеними властивостями. Проаналізована можливість прогнозування коефіцієнту пропускання на основі інформації про структуру та складу метаматеріалів. Показано, що така можливість існує й описані основні умови, які накладаються на дані про метаматеріали, які потрібні для використання згорткових нейронних мереж при розв’язанні задач з прогнозування інформації про метаматеріали. Встановлено, що дані збережені в «.ply» форматі, не підходять, як вхідні дані для нейронної мережі. Був використаний програмний пакет Open3D на базі Python, для конвертації початкового формату у формат «.xyzrgb», який становить собою масив, де кожен рядок – це вектор з шести чисел; перші три – це координати, три інших – це RGB числа. Показана можливість використання такого вигляду інформації в процесах згортки та для навчання нейронної мережі. Представлено умови, які накладаються на дані: однорідність даних, що означає, що всі параметри, які впливають на результат прогнозування, мають або бути однаковими, або бути внесені в дані, як інформація про властивості; масштабованість, що означає, що дані мають бути зведені до однакових діапазонів значень та масштабів. Розроблено алгоритм прогнозування властивостей на основі структури та складу метаматеріалів із використанням згортокової нейронної мережі. Розроблено алгоритм для збереження інформації про склад метаматеріалів. Показано, що використовуючи інформації про електромагнітні властивості компонентів є можливість передбачувати електромагнітні властивості метаматеріалів. Побудовано в цифровому середовищі 3D об'єкти метаматеріалів із закріпленням за кожним пікселем інформації про компонент. Описано алгоритм збереження цієї інформації у зручному для навчання згорткової нейронної мережі вигляді. Представлено види цифрових форматів, які можуть бути використані для збереження потрібної про метаматеріали інформації. Проаналізовано формат, який використовувався для збереження інформації про 3D об’єкт в цій роботі. Описано процес представлення властивостей метаматеріалів у зручному для навчання згорткової нейронної мережі вигляді. Два методи було використано для порівняння ефективності обох методів. Показано, що метод з представлення характеристик у вигляді коефіцієнтів полінома є швидшим, але не відповідним для вирішення задач з прогнозування характеристик метаматеріалів. Проаналізовано інші формати збереження інформації про 3D структури. Досліджено, що такі формати, як «.fbx», «.obj», «.stl», «.3ds» не підходять, через такі причини: відсутність ефективного програмного функціонала (для конвертування в потрібний для нейронної мережі формат); відсутність збереження інформації про додаткові канали інформації; присутність зайвої інформації, яку немає можливості відділити від необхідної. Розроблено архітектуру згорткової нейронної мережі для прогнозування частотних електромагнітних характеристик на основі структури та складу метаматеріалів. Показані результати прогнозування для обох випадків з представлення коефіцієнту пропускання – у вигляді масиву точок та коефіцієнтів поліному. Проаналізовано результати прогнозування та приведені способи до покращення цих результатів та оптимізації мережі для зменшення часу виконання навчання та збереження ресурсів. Вказано, що збільшення даних є найбільш ефективним методом для покращення результатів прогнозування. Попри це, методи покращення результатів, які засновані на зміні архітектури та зміни гіперпараметрів потрібно постійно оцінювати та використовувати при можливості.