сгенерировать QR код
Открытый доступ
Только для подписчиков
Интеллектуальная механика
Аннотация
Авторы обосновывают перспективность развития нового направления в механике, основанного на внедрении методов искусственного интеллекта в процессы математического моделирования реальных физических процессов и особенность их применения.
Об авторах
Д. Мармыш
БГУ
Беларусь
Беларусь
Денис Мармыш, доцент кафедры теоретической и прикладной механики механико-математического факультета, кандидат физикоматематических наук, доцент
М. Журавков
БГУ
Беларусь
Беларусь
Михаил Журавков, заведующий кафедрой теоретической и прикладной механики механикоматематического факультета, доктор физикоматематических наук, профессор
Список литературы
1. Журавков М.А. Технологии искусственного интеллекта и интеллектуальные системы компьютерного моделирования и инженерных расчетов. Вводный курс: учеб. пособие / М.А. Журавков.—Минск, 2024.
2. PaezT.L. Neural networks in mechanical system simulation, identification and assessment / T.L.Paez // Shock and Vibration. 1993. №2(1). P.177–199.
3. BishopC.M. Neural networks for pattern recognition / C.M. Bishop. – Oxford, 1995.
4. Haykin S. Neural networks: acomprehensive foundation / S. Haykin. – Prentice Hall, 1999.
5. Waszczyszyn Z. Neural Networks in the Analysis and Design of Structures / Z. Waszczyszyn.– Springer, 1999.
6. Waszczyszyn Z. Artificial neural networks in civil engineering: another five years of research in Poland / Z. Waszczyszyn // Computer Assisted Mechanics and Engineering Sciences. 2011. №18. P.131–146.
7. Butler K.T. Machine learning for molecular and material science / K.T. Butler [et al.]. // Nature. 2018. №559. P.547–555.
8. Balokas G. Neural network assisted multiscale analysis for the elastic properties prediction of 3D braided composites under uncertainty / G. Balokas, S.Czichon, R. Rolfes // Composite Structures. 2018. №183. P.550–562.
9. Luna P. D. Use machine learning to find energy materials / P. D.Luna [etal.] // Nature. 2017. №552. P.23–27.
10. Pham M.-S. Damage-tolerant architected materials inspired by crystal microstructure / M.-S. Pham [etal.] // Nature. 2019. №565. P.305–311.
11. Guo K. Artificial intelligence and machine learning in design of mechanical materials / K. Guo [etal.] // Mater Horizons. 2021. №8(4). P.1153–1172.
12. Yago D. Machine learning in solid mechanics: Application to acoustic metamaterial design / D.Yago [etal.] // https://onlinelibrary.wiley.com/doi/book/10.1002/0471784192.
13. Jin H. Recent advances and applications of machine learning in experimental solid mechanics: a review / H. Jin, E. Zhang, H.D. Espinosa // Applied Mechanics Reviews. 2023. №75 (6). Art. N061001. Doi. 10.1115/1.4062966.
14. Karniadakis G.E.Physics-informed machine learning / G.E. Karniadakis [etal.] // Nature Reviews Physics. 2021. №3(6). P.422–440.
15. Raissi M.Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations / M. Raissi, P. Perdikaris, G.E. Karniadakis // Journal of Computational Physics. 2019. №378. P.686–707.
16. Roy A.M. Deep learning-accelerated computational framework based on physics informed neural network for the solution of liner elasticity / A.M. Roy [etal.] // Neural networks. 2023. №162. P.472–489.
17. ArgatovI. Artificial neural networks (ANNs) as a novel modelling technique in tribology / I. Argatov // Frontiers of Mechanical Engineering. 2019. №5(30).
18. Li D. Hybrid neural network-based prediction model for tribological properties of polyamide6 based friction material / D.Li, R.Lv, Y.You // Polymer composites. 2017. №38(8). P.1705–1711.
19. Margenberg N. DNN-MG: A hybrid neural network/finite element method with applications to 3D simulations of the Navier-Stokes equations / N. Margenberg [et al.] // Computer Methods in Applied Mechanics and Engineering. 2024. №420. Art. N116692
20. Cybenko G. Approximation by superpositions of asigmoidal function / G.Cybenko // Mathematics of Control, Signals and Systems. 1989. №2. P.303–314. Doi.org/10.1016/j.cma.2023.116692.
21. Мармыш Д.Е. Применение логистической регрессии квычислению повреждаемости твердого деформируемого тела / Д.Е. Мармыш // Механика машин, механизмов и материалов. 2021. №2(54). С.46–53.
22. Stoffel M. Artificial neural networks and intelligent finite elements in non-linear structural mechanics / M.Stoffel, F. Bamer, B. Markert // Thin-Walled Structures. 2018. №131. P.102–106.
23. Stoffel M. Artificial neural networks in structural dynamics / M.Stoffel, F. Bamer, B. Markert // Proceedings in Applied Mathematics and Mechanics. 2019. №19, e201900128.
24. Желткович А.Е. Применение нейросетевых алгоритмов при разработке акустических методов контроля прочности бетона / А.Е. Желткович [и др.] // Вестник Брестского государственного технического университета. 2024. №1(133). С.101–109.
25. Соловьев А.Н. Определение упругих и диссипативных свойств материалов с помощью сочетания метода конечных элементов и комплекснозначных искусственных нейронных сетей / А.Н.Соловьев, Н.З.Ч. Занг // Вестник ДГТУ. 2014. Т.14, №2(77). С.84–92.
26. Соловьев А.Н.Реконструкция дефектов вупругих телах сочетанием генетического алгоритма и метода конечных элементов / А.Н.Соловьев, М.Ю. Шевцов // Вестник ДГТУ. 2016. Т.16, №2(85). С.5–12.
27. Журавков М.А. Технологии искусственного интеллекта: системы компьютерного моделирования в прикладных исследованиях / М.А. Журавков, С.М. Босяков, С.С. Щербаков // Наука и инновации. 2023. №4(421). С.43–51.
Рецензия
Для цитирования:
Мармыш Д., Журавков М. Интеллектуальная механика. Наука и инновации. 2025;(7):27-31.
For citation:
Marmysh D., Zhuravkov M. Intelligent mechanics. Science and Innovations. 2025;(7):27-31. (In Russ.)
Просмотров:
2
Послать статью по эл. почте 