Запис Детальніше

Нейронні мережі як засіб удосконалення метрологічних характеристик металоконструкцій з урахуванням міжфазних шарів

Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"

Переглянути архів Інформація
 
 
Поле Співвідношення
 
Title Нейронні мережі як засіб удосконалення метрологічних характеристик металоконструкцій з урахуванням міжфазних шарів
Neural networks as a means of improving the metrological characteristics of metal structures, taking interphase layers into account
 
Creator Лозован, Віталій
Юзевич, Володимир
Lozovan, Vitaliy
Yuzevych, Volodymyr
 
Contributor Фізико-механічний інститут ім. Г. В. Карпенка НАН України
Національний університет “Львівська політехніка”
 
Subject діагностика
підземні трубопроводи
нейронні мережі
пошукові та діагностичні системи
diagnostics
underground pipelines
neural networks
search and diagnostic systems
диагностика
подземные трубопроводы
нейронные сети
поисковые и диагностические системы
006
004.9
60
 
Description Розглянуто проблему обстежень, контролю параметрів і діагностування стану поверхневих шарів металу
підземних трубопроводів з урахуванням впливу корозійного середовища. Запропоновано методику контролю
характеристик, що полягає у врахуванні основних інформативних параметрів за допомогою штучних
нейронних мереж, а також визначено напрями застосування методології для контролю технічного стану
трубопроводів (КТСТ) (товщина стінки, наявність дефектів, енергетичні характеристики міжфазних
шарів, корозійні струми, процеси розвитку дефектів тощо). Метою методології КТСТ є удосконалення
нормативних документів у сфері метрології.
The problem of inspection, control of parameters and diagnostics of the state of surface metal layers of underground
pipelines with consideration of influence of corrosive environment is considered. The method of control of
characteristics is proposed, which is to take into account the main informative parameters with the help of artificial
neural networks, as well as the directions of application of the methodology for controlling the technical condition of
the pipelines (CTCP) (wall thickness, defects, energy characteristics of phase layers, corrosion currents, defect
development processes and etc). The purpose of the CTCP methodology is to improve the regulatory documents in the
field of metrology. Analyzing statistical data, it is found that the most suitable for most tasks for the selection of
parameter sets for non-destructive testing (NDT) and evaluation of the technical state are multilayer neural networks
trained by the Levenberg-Marquardt error-back propagation algorithm. The main paradigm of learning in this case is
learning with a teacher. The described form of learning “with the teacher” is nothing more than training on the basis
of error correction – the reverse error distribution. This is a closed-loop feedback system that includes an environment.
The productivity of such a system can be evaluated in terms of the mean square error or the sum of squares errors in the
training sample, presented as a function of the free system parameters. The back propagation algorithm is the most
popular among the algorithms for learning multilayer neural networks. That is, it is a gradient method, not an
optimization method. To implement the described sequence of artificial neural network training, it is recommended to use the Neural Network Toolbox in the Matlab environment 16. The training error during the Neural Network Toolbox
setting should be 5%. This is due to the fact that, as a rule, the total level of error of measurement of target and
informative parameters, as well as stochastic components does not exceed 5%. It is recommended for each case of
selected complexes of informative parameters to perform training 5–7 networks of the same architecture. Such a
number of networks is arbitrary, but it avoids the occurrence of an ascent of the training algorithm in the local
minimum and the effect of “retraining”, which will be accompanied by memorizing target values that are relevant to
informative resources, rather than establishing a relationship between them. Training all neural networks for all
possible combinations needs to be tested using pre-selected test datasets that were not used during training. The
obtained results of calculating the values of target parameters are compared with the standard ones by means of
absolute and relative error and the calculation of their average value. Among the outputs of neural networks, the
smallest is selected. As criteria of optimality, in this case, choose the following: the minimum possible set of informative
parameters; highest accuracy of target parameter determination. The set of informative parameters selected according
to the above criteria can be considered optimal and acceptable.
Рассмотрена проблема обследований, контроля параметров и диагностирования состояния поверхностных
слоев металла подземных трубопроводов с учетом влияния коррозионной среды. Предложена методика
контроля характеристик, которая заключается в учете основных информативных параметров с помощью
искусственных нейронных сетей, а также определены направления применения методологии для контроля
технического состояния трубопроводов (КТСТ) (толщина стенки, наличие дефектов, энергетические
характеристики межфазных слоев, коррозионные токи, процессы развития дефектов, т. под.). Целью
методологии КТСТ является совершенствование нормативных документов в области метрологии.
 
Date 2018-11-14T08:53:52Z
2018-11-14T08:53:52Z
2017-03-28
2017-03-28
 
Type Article
 
Identifier Лозован В. Нейронні мережі як засіб удосконалення метрологічних характеристик металоконструкцій з урахуванням міжфазних шарів / Віталій Лозован, Володимир Юзевич // Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник. — Львів : Видавництво Львівської політехніки, 2017. — Том 78. — С. 48–54.
http://ena.lp.edu.ua:8080/handle/ntb/42990
Lozovan V. Neural networks as a means of improving the metrological characteristics of metal structures, taking interphase layers into account / Vitaliy Lozovan, Volodymyr Yuzevych // Vymiriuvalna tekhnika ta metrolohiia : mizhvidomchyi naukovo-tekhnichnyi zbirnyk. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — Vol 78. — P. 48–54.
 
Language uk
 
Relation Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник (78), 2017
http://nbuv.gov.ua/UJRN/VNULP_2016_852_3
1. Gas Pipeline Incidents, 9th Report of the European Gas Pipeline Incident Data Group, Dec. 2017 “Львівська політехніка”. Режим доступу: www.egig.eu.
2. ДСТУ 4219-2003. Трубопроводи сталеві магістральні. Загальні вимоги до захисту від корозії. – К.: Держспоживстандарт України, 2003. – 86 с.
3. Карпаш М. О. Підвищення чутливості акустичного методу неруйнівного контролю матеріалів // Техн. диагностика и неразруш. контроль. – 2011. – № 4. – С. 39–43.
4. Івахів О. Інформативність багатоканальних засобів вимірювання // Вимірювальна техніка та метрологія. – 2002. – Вип. 59. – С. 102–111.
5. Наконечний А. Й., Пазан Р. Г. Опрацювання сигналів з використанням сучасних хмарних технологій // Вісник Національного університету “Львівська політехніка”. Серія: Авто- матика, вимірювання та керування : зб. нау. пр. – 2015. – № 821. – С. 8–16.
6. Наконечний А. Й., Верес З. Є. Інтернет речей і сучасні технології // Вісник Національного університету “Львівська політехніка”. Автоматика, вимірювання та керування. – 2016. – № 852. – С. 3–9 “Львівська політехніка”. – Режим доступу: http://nbuv.gov.ua/UJRN/VNULP_2016_852_3.
7. Карпаш М. О., Рибіцький І. В., Котурбаш Т. Т. Перспективи застосування штучних нейронних мереж в дефектоскопії // Мат. ХVІ Міжнар. наук.-техн. конф. “Електромагнітні та акустичні методи неруйнівного контролю матеріалів та виробів” ЛЕОТЕСТ-2011 (21–26 лютого 2011 року). Славське Львівської області. – 2011. С. 10–11.
8. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. – М.: Мир, 1992. – 185 с.
9. Хайкин С. Нейронные сети: полный курс / 2-е изд; пер. с англ.– М.: Издательский дом Вильямс, 2006. –1104 с.
10. Лопатко О., Микитин І. Нейронні мережі як засіб прогнозування значення температури за пере- хідним процесом // Вимірювальна техніка та мет- рологія. – 2016. – № 77. – С. 65–70.
11. Мирзоев А. М., Иващенко М. С., Маршаков А. И. Нейросетевая модель стресс-коррозионной поврежденности участков линейной части магистральных газопроводов // Научно-технический сборник “Вести газовой науки”. – 2016. – № 3 (27). – C. 108–112.
12. Grossberg S. Z. Neural Networks and Natural Intelligence. Cambridge, MA: MIT Press, 2010. – 651 p.
13. Юзевич В. М., Клювак О. В. Економічний аналіз рівнів ефективності та якості інтернет-платіжних систем підприємства // Бізнес Інформ. – 2015. – № 1. – С. 160–164.
14. Юзевич В. М., Валяшек В. Б., Каплун А. В. Математичне та комп’ютерне моделювання фізичних характеристик матеріалу у вершині тріщини з урахуванням ефекту зміцнення // Комп’ютерно-інтегровані технології: освіта, наука, виробництво. – 2015. – № 18. –С. 97–104.
15. Копитко М. І. Комплексне забезпечення економічної безпеки підприємств (на матеріалах підприємств транспортного машинобудування): дис. … д-ра екон. наук: спец. 21.04.02 “Економічна безпека суб’єктів господарської діяльності”. – К., 2015. – 478 с.
16. Поляков С. Г., Клименко А. В., Коваленко С. Ю. Система корозійного моніторингу трубопроводів // Наука та інновації. – 2010. – Т. 6, № 5. – С. 25–28.
1. Gas Pipeline Incidents, 9th Report of the European Gas Pipeline Incident Data Group, Dec. 2017 "Lvivska politekhnika". Access mode: www.egig.eu.
2. DSTU 4219-2003. Truboprovody stalevi mahistralni. Zahalni vymohy do zakhystu vid korozii, K., Derzhspozhyvstandart Ukrainy, 2003, 86 p.
3. Karpash M. O. Pidvyshchennia chutlyvosti akustychnoho metodu neruinivnoho kontroliu materialiv, Tekhn. dyahnostyka y nerazrush. kontrol, 2011, No 4, P. 39–43.
4. Ivakhiv O. Informatyvnist bahatokanalnykh zasobiv vymiriuvannia, Vymiriuvalna tekhnika ta metrolohiia, 2002, Iss. 59, P. 102–111.
5. Nakonechnyi A. Y., Pazan R. H. Opratsiuvannia syhnaliv z vykorystanniam suchasnykh khmarnykh tekhnolohii, Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Avto- matyka, vymiriuvannia ta keruvannia : zb. nau. pr, 2015, No 821, P. 8–16.
6. Nakonechnyi A. Y., Veres Z. Ye. Internet rechei i suchasni tekhnolohii, Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Avtomatyka, vymiriuvannia ta keruvannia, 2016, No 852, P. 3–9 "Lvivska politekhnika", Access mode: http://nbuv.gov.ua/UJRN/VNULP_2016_852_3.
7. Karpash M. O., Rybitskyi I. V., Koturbash T. T. Perspektyvy zastosuvannia shtuchnykh neironnykh merezh v defektoskopii, Mat. KhVI Mizhnar. nauk.-tekhn. konf. "Elektromahnitni ta akustychni metody neruinivnoho kontroliu materialiv ta vyrobiv" LEOTEST-2011 (21–26 liutoho 2011 roku). Slavske Lvivskoi oblasti, 2011. P. 10–11.
8. Uossermen F. Neirokompiuternaia tekhnika: Teoriia i praktika, M., Mir, 1992, 185 p.
9. Khaikin S. Neironnye seti: polnyi kurs, 2-e izd; transl. from English– M., Izdatelskii dom Viliams, 2006. –1104 p.
10. Lopatko O., Mykytyn I. Neironni merezhi yak zasib prohnozuvannia znachennia temperatury za pere- khidnym protsesom, Vymiriuvalna tekhnika ta met- rolohiia, 2016, No 77, P. 65–70.
11. Mirzoev A. M., Ivashchenko M. S., Marshakov A. I. Neirosetevaia model stress-korrozionnoi povrezhdennosti uchastkov lineinoi chasti mahistralnykh hazoprovodov, Nauchno-tekhnicheskii sbornik "Vesti hazovoi nauki", 2016, No 3 (27), P. 108–112.
12. Grossberg S. Z. Neural Networks and Natural Intelligence. Cambridge, MA: MIT Press, 2010, 651 p.
13. Yuzevych V. M., Kliuvak O. V. Ekonomichnyi analiz rivniv efektyvnosti ta yakosti internet-platizhnykh system pidpryiemstva, Biznes Inform, 2015, No 1, P. 160–164.
14. Yuzevych V. M., Valiashek V. B., Kaplun A. V. Matematychne ta kompiuterne modeliuvannia fizychnykh kharakterystyk materialu u vershyni trishchyny z urakhuvanniam efektu zmitsnennia, Kompiuterno-intehrovani tekhnolohii: osvita, nauka, vyrobnytstvo, 2015, No 18. –P. 97–104.
15. Kopytko M. I. Kompleksne zabezpechennia ekonomichnoi bezpeky pidpryiemstv (na materialakh pidpryiemstv transportnoho mashynobuduvannia): dys. … d-ra ekon. nauk: spets. 21.04.02 "Ekonomichna bezpeka subiektiv hospodarskoi diialnosti", K., 2015, 478 p.
16. Poliakov S. H., Klymenko A. V., Kovalenko S. Yu. Systema koroziinoho monitorynhu truboprovodiv, Nauka ta innovatsii, 2010, V. 6, No 5, P. 25–28.
 
Rights © Національний університет „Львівська політехніка“, 2017
© Лозован Віталій, Юзевич Володимир, 2017
 
Format 48-54
7
application/pdf
image/png
 
Coverage Львів
 
Publisher Видавництво Львівської політехніки