Збагачення даних для прогнозування властивостей метаматеріалів

Скорочена інформація про документ
dc.contributor.advisorКоролюк, Дмитро Володимирович
dc.contributor.authorКрисенко, Павло Ігорович
dc.date.accessioned2024-06-10T13:13:22Z
dc.date.available2024-06-10T13:13:22Z
dc.date.issued2024
dc.description.abstractКрисенко 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.
dc.description.abstractotherKrysenko P. I. Data enrichment for predicting the properties of metamaterials. Qualifying scientific work on manuscript rights. Dissertation for obtaining the scientific degree of Doctor of Philosophy in specialty 153 – Micro- and nanosystem engineering (field of knowledge 15 – Automation and instrument engineering). - National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, 2024. The work is devoted to the development of a data enrichment technique for predicting the transmission coefficient of metamaterials based on topological structure and composition using deep learning techniques, namely, mathematical neural networks using three-dimensional convolution and auxiliary layers. The dissertation researched the scientific and applied aspects of using convolutional neural networks to solve problems in the field of designing and predicting the properties of metamaterials and the possibility of setting the parameters of metamaterial surface irradiation to increase the amount of available data. In modern research in the field of science and technology, deep learning, in particular the use of convolutional neural networks, turns out to be an effective means of developing effective methods for analyzing and predicting the properties of metamaterials in the context of their design. This approach is noted for its ease of implementation, availability of relevant data, as well as high calculation speed compared to traditional methods based on physical laws. It is understood that neural networks are difficult to implement and have their limitations, such as the need for a large amount of data, the complexity of optimization and task formulation. However, with the development of deep learning, these limitations are gradually reduced, providing greater access to this approach. The use of neural networks in the design of metamaterials involves their application to find materials and the topology of metamaterials according to given characteristics. This process begins with training neural networks based on a large amount of input data, which includes metamaterial parameters such as size, shape, and composition, and desired properties such as absorption, reflectance, and transmission of light. Once trained, the neural network can be used to predict the properties of metamaterials based on new input data, i.e. predict how the metamaterial will react to new electromagnetic waves. Thanks to neural networks, it is possible to automate and optimize the design process of metamaterials, to search for complex relationships between material parameters and functional response, which is difficult to achieve with traditional methods. It is also important to note the possibility of analyzing data on the composition and structure of metamaterials and using them to predict electromagnetic properties. This study used the state-of-the-art knowledge and approaches of convolutional neural networks to create an optimal neural network architecture. Data on the topology and composition of these materials were used to obtain information about metamaterials. Software environments were used to develop digital code and build 3D objects of metamaterials with defined properties. An important aspect was the ability to predict the transmission coefficient based on information about the structure and composition of metamaterials. In particular, the conversion of data from the ".ply" format to the ".xyzrgb" format was carried out using the Python-based Open3D software package. This format contained important data that could be used to train neural networks. Important data requirements such as homogeneity and scalability are shown. An algorithm has been developed for predicting the properties of metamaterials based on their structure and composition and the conditions of experimental studies, using a convolutional neural network, and methods of encoding additional information into an artificial neural network. A method was also developed for efficient storage of information about the composition of metamaterials, which allows predicting their electromagnetic properties. Various digital formats that can be used to store the necessary metadata data are discussed. Methods of presenting the properties of metamaterials in a form convenient for convolutional neural network training have also been investigated. A comparative analysis of the effectiveness of various methods was carried out, indicating that the representation of characteristics in the form of polynomial coefficients, although faster, is not the best for predicting the characteristics of metamaterials. Formats for saving information about 3D structures have been analyzed. In this work, it was investigated that such formats as ".3ds", ".obj", ".fbx", ".stl" are not suitable due to the following disadvantages: lack of fast and simple software (for efficient conversion of metamaterial structures into format for training an artificial neural network); impossibility of storing additional information in channels about the structural composition of metamaterials; the impossibility of removing proprietary information that is coded and mixed with data necessary for training. A three-dimensional convolutional neural network learning pipeline has been developed for predicting the frequency electromagnetic characteristics of metamaterials based on the structure and composition of metamaterials and the possibility of establishing information about the conditions of experimental research. Prediction results are shown for different data samples divided by the scale of exposure frequency, taking into account information about the conditions of experimental studies. An analysis of the learning and forecasting results was performed. Ways to improve the quality of prediction by increasing the training data sample and using modern waste in deep learning were suggested. Ways of solving the inverse problem for generating the structure according to the given parameters were also proposed.
dc.format.extent165 с.
dc.identifier.citationКрисенко, П. І. Збагачення даних для прогнозування властивостей метаматеріалів : дис. … д-ра філософії : 153 Мікро- та наносистемна техніка / Крисенко Павло Ігорович. – Київ, 2024. – 165 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/67074
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectнейронна мережа
dc.subjectелектромагнітна хвиля
dc.subjectпівперіодні випрямлячі
dc.subjectполярні діелектрик
dc.subjectкомпозитний матеріал
dc.subjectелектричні параметри
dc.subjectдіелектрична проникність
dc.subjectдіелектричні матеріали
dc.subjectметаматеріали
dc.subjectнелінійна модель
dc.subjectдіелектрики
dc.subjectматематичне моделювання
dc.subjectпрогнозування
dc.subjectкомпозитні структури
dc.subjectзолото
dc.subjectneural network
dc.subjectEM wave
dc.subjecthalf-wave rectifiers
dc.subjectpolar dielectrics
dc.subjectcomposite material
dc.subjectelectrical parameters
dc.subjectdielectric permittivity
dc.subjectdielectric materials
dc.subjectmetamaterials
dc.subjectnonlinear model
dc.subjectdielectrics
dc.subjectmathematical modeling
dc.subjectforecasting
dc.subjectcomposite structures
dc.subjectgold
dc.subject.udc538.9, 539.2, 539.3, 620.3
dc.titleЗбагачення даних для прогнозування властивостей метаматеріалів
dc.typeThesis Doctoral

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Krysenko_dys.pdf
Розмір:
3.48 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Дисертації (МЕ)
Дисертації (вільний доступ)