Дисертації (МЕ)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Перегляд Дисертації (МЕ) за Автор "Крисенко, Павло Ігорович"
Зараз показуємо 1 - 1 з 1
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.