Ứng dụng mạng trí tuệ nhân tạo tìm cốt liệu tương đương cho bài toán tính hệ số dẫn hiệu quả của vật liệu không đồng nhất
Tóm tắt Tính chất của các vật liệu không đồng nhất có thể được tính nhanh sử dụng các công thức xấp xỉ. Các công thức này thường chỉ áp dụng cho các trường hợp có hình dáng cốt liệu đơn giản như hình tròn và hình cầu. Trong các vật liệu thực, cốt liệu có thường có hình dáng phức tạp hoặc rất phức tạp. Mô tả đầy đủ hình dáng vật liệu bằng phương pháp phần tử hữu hạn có thể đòi hỏi lưới chia rất mịn hoặc cần dùng đến các kỹ thuật hỗ trợ khác nếu dùng phương pháp phần tử mở rộng, việc này tiêu tốn thời gian và công sức tính toán. Bài báo này ứng dụng mạng trí tuệ nhân tạo để tìm cốt liệu tương đương có hình dạng đơn giản. Với cốt liệu tương đương, các công thức giải tích tính nhanh các hệ số dẫn có thể được áp dụng nhằm đơn giản hóa bài toán
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Ứng dụng mạng trí tuệ nhân tạo tìm cốt liệu tương đương cho bài toán tính hệ số dẫn hiệu quả của vật liệu không đồng nhất
275 Hình 8 : Mẫu vật liệu với cốt liệu có hình dáng phức tạp. Hình dáng cốt liệu 276 được mô tả sử dụng hàm level set với 20q , 0 0.05r , A = 0.3* 0r , B = 2. 277 278 0.05 0.1 0.15 0.2 0.25 0.3 v 0 1 2 3 4 5 6 Ref Equ effk 0. 1 0.1 5 0. 2 0.2 5 0. 3 0.3 5 0. 4 v 0 1 2 3 4 5 6 effk Ref Equ Hình 8. Mẫu vật liệu với cốt liệu có hình dáng phức tạp. Hình dáng cốt liệu được mô tả sử dụng hàm level set với q = 20, r0 = 0,05, A = 0,3 ∗ r0, B = 2 Tiếp tục dùng một mẫu với bán kính r = 0, 5 để tạo dữ liệu huấn luyện cho mẫu I2 (Hình 8), ứng với tỉ lệ thể tí h cốt liệu v = 0,96%. Kích thước bộ dữ liệu là 500, trong đó kích thước tập huấn luyện chiếm 70%, tập kiểm tra chiếm 15%, tập kiểm định 15%. Dữ liệu đầu vào của Net 1 nằm trong khoảng [0,0039 0,0544] : [2,9847 101,7675], trong khi của Net 2 nằm trong khoảng [0,0039 0,0040] : [2,9847 3,0434]. Kết quả huấn luyện trên Hình 9 cho thấy, trong khi Net 1 có thể nhanh chóng đạt được sai số rất bé như trên Hình 1(a) (mse của tập huấn luyện và tập kiểm định tương ứng là 9,995 E-7, của tập kiểm định là 1,18 E-6), Net 2 cần thời gian huấn luyện lâu hơn và không dễ đạt được sai số nhỏ như Net 1. Trên Hình 1(b), mse của tập huấn luyện là 0,0104, của tập kiểm định là 0,0112). Net 1 chỉ cần 1 lớp ẩn với 2 nút trong khi Net 2 cần đến 2 lớp ẩn × 3 nút mới có thể đạt được sai số tương đối bé. Sử dụng mô hình đề xuất Net 1 (I2) và Net 2 (I2) để tính hệ số dẫn tương đương ta có 2 bộ số liệu và áp dụng cho 2 trường hợp: a) TH1- I2: kM = 1,5 N/mm2, kI = 15 N/mm2, kequ = 25,71 N/mm2. Bộ số liệu được kiểm thử với các 8 mẫu có kích thước 1×1 mm, chứa các cốt liệu có b kính r0 = 0.04 mm. Số lượng cốt liệu tăng dần đều từ 15 đến 45. Vị trí và góc xoay của các cốt liệu được lấy ngẫu nhiên như trên Hình 11. 119 Như, N. T. H. / Tạp chí Khoa học Công nghệ Xây dựng Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2018 p-ISSN 2615-9058; e-ISSN 2734-9489 12 a)Net 1 (I2) b) Net 2 (I2) Hình 9. Biểu đồ hiệu năng (MSE) của quá trình huấn luyện Net 1 (I2) và Net 2 (I2) 279 (Tác giả chỉnh sửa tương tự Hình 4) 280 Sử dụng mô hình đề xuất Net 1 (I2) và Net 2 (I2) để tính hệ số dẫn tương đương ta có 281 2 bộ số liệu và áp dụng cho 2 trường hợp : 282 a) TH1- I2: Mk = 1.5 N/mm2, Ik = 15 N/mm2, equk = 25.71 N/mm2. Bộ số liệu được 283 kiểm thử với các 8 mẫu có kích thước 1x1mm, chứa các cốt liệu có bán kính 0r 284 = 0.04mm. Số lượng cốt liệu tăng dần đều từ 15 đến 45. Vị trí và góc xoay của 285 các cốt liệu được lấy ngẫu nhiên như trên Hình 10. 286 b) TH2 - I2: Mk = 1 N/mm2, Ik = 20 N/mm2, equk = 136.70 N/mm2. Bộ số liệu được 287 kiểm thử với mẫu có 20 cốt liệu cùng vị trí. Bán kính của cốt liệu thay đổi với 0r288 -min = 0.03 mm, 0r -max = 0.07 mm. 289 Tương tự như trường hợp cốt liệu I1, các kết quả số của mẫu sử dụng cốt liệu I2 và mẫu 290 có cốt liệu tròn tương đương được so sánh trên Hình 12 và Hình 13 cho thấy sự tương 291 đương giữa hệ số hiệu quả của hai loại cốt liệu khi thể tích cốt liệu bé. Sai số có xu 292 Huấn luyện Kiểm định Kiểm tra Tốt nhất Mục tiêu Mse của tập kiểm định đạt 0.012376 tại epoch 2919 mse mse của tập kiểm định đạt 1.1864 tại epoch 255 255 epochs 2919 epochs mse Huấn luyện Kiểm định Kiểm tra Tốt nhất Mục tiêu (a) Net 1 (I2) Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2018 p-ISSN 2615-9058; e-ISSN 2734-9489 12 a)Net 1 (I2) b) Net 2 (I2) Hình 9. Biểu đồ hiệu năng (MSE) của quá trình huấn luyện Net 1 (I2) và Net 2 (I2) 279 (Tác giả chỉnh sửa tương tự Hình 4) 280 Sử dụng mô hình đề xuất Net 1 (I2) và Net 2 (I2) để tính hệ số dẫn tương đương ta có 281 2 bộ số liệu và áp dụng cho 2 trường hợp : 282 a) TH1- I2: Mk = 1.5 N/mm2, Ik = 15 N/mm2, equk = 25.71 N/mm2. Bộ số liệu được 283 kiểm thử với các 8 mẫu có kích thước 1x1mm, chứa các cốt liệu có bán kính 0r 284 = 0.04mm. Số lượng cốt liệu tăng dần đều từ 15 đến 45. Vị trí và góc xoay của 285 các cốt liệu được lấy ngẫu nhiên như trên Hình 10. 286 b) TH2 - I2: Mk = 1 N/mm2, Ik = 20 N/mm2, equk = 136.70 N/mm2. Bộ số liệu được 287 kiểm thử với mẫu có 20 cốt liệu cùng vị trí. Bán kính của cốt liệu thay đổi với 0r288 -min = 0.03 mm, 0r -max = 0.07 mm. 289 Tương tự như trường hợp cốt liệu I1, các kết quả số của mẫu sử dụng cốt liệu I2 và mẫu 290 có cốt liệu tròn tương đương được so sánh trên Hình 12 và Hình 13 cho thấy sự tương 291 đương giữa hệ số hiệu quả của hai loại cốt liệu khi thể tích cốt liệu bé. Sai số có xu 292 Huấn luyện Kiểm định Kiểm tra Tốt nhất Mục tiêu Mse của tập kiểm định đạt 0.012376 tại epoch 2919 mse mse của tập kiểm định đạt 1.1864 tại epoch 255 255 epochs 2919 epochs mse Huấn luyện Kiểm định Kiểm tra Tốt nhất Mục tiêu (b) Net 2 (I2) Hình 9. Biểu đồ hiệu năng (MSE) của quá trình huấn luyện Net 1 (I2) và Net 2 (I2) b) TH2 - I2: kM = 1 N/mm2, kI = 20 N/mm2, kequ = 136,70 N/mm2. Bộ số liệu được kiểm thử với mẫu có 20 cốt liệu cùng vị trí. Bán kính của cốt liệu thay đổi với r0−min = 0,03 mm, r0−max = 0,07 mm. Tương tự như trường hợp cốt liệu I1, các kết quả số của mẫu sử dụng cốt liệu I2 và mẫu có cốt liệu tròn tương đương được so sánh trên Hình 12 và Hình 13 cho thấy sự tương đương giữa hệ số hiệu quả của hai loại cốt liệu khi thể tích cốt liệu bé. Sai số có xu hướng tăng dần khi thể tích cốt liệu tăng. Cụ thể trên Hình 13, khi thể tích cốt liệu chiếm đến 40%, sai số có thể lên đến 10%. Một nguyên nhân khác có thể làm tăng sai số cho trường hợp này là do mô hình thay thế không cho độ chính xác như nhau đối với các bộ dữ liệu khác nhau. (a) 15 cốt liệu (b) 25 cốt liệu ( ) 35 cốt liệu (d) 45 cốt liệu Hình 10. Các mẫu có kích thước 1×1 mm2 với các cốt liệu hình I2 bố trí tại các vị trí và góc xoay ngẫu nhiên (a) r0 = 0,03 mm (b) r0 = 0,05 mm (c) r0 = 0,06 mm (d) r0 = 0,07 mm Hình 11. Các mẫu có kích thước 1×1 mm2 với 20 cốt liệu I1 bố trí tại các vị trí và góc xoay ngẫu nhiên với các mẫu r0 = 0,04 mm đến r0 = 0,07 mm 120 Như, N. T. H. / Tạp chí Khoa học Công nghệ Xây dựng Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2018 p-ISSN 2615-9058; e-ISSN 2734-9489 13 hướng tăng dần khi thể tích cốt liệu tăng. Cụ thể trên Hình 13, khi thể tích cốt liệu chiếm 293 đến 40%, sai số có thể lên đến 10%. Một nguyên nhân khác có thể làm tăng sai số cho 294 trường hợp này là do mô hình thay thế không cho độ chính xác như nhau đối với các bộ 295 dữ liệu khác nhau. 296 a) 15 cốt liệu b) 25 cốt liệu c) 35 cốt liệu d) 45 cốt liệu Hình 10. Các mẫu có kích thước 1x1 mm2 với các cốt liệu hình I2 bố trí tại các vị trí 297 và góc xoay ngẫu nhiên. 298 a) 0r = 0.03 mm b) 0r = 0.05 mm c) 0r = 0.06 mm d) 0r = 0.07mm 299 Hình 11. Các mẫu có kích thước 1x1 mm2 với 20 cốt liệu I1 bố trí tại các vị trí và góc 300 xoay ngẫu nhiên với các mẫu 0r = 0.04 mm đến 0r = 0.07 mm. 301 302 303 304 305 306 307 308 309 310 Hình 12. So sánh kết hệ số dẫn hiệu quả tính bằng XFEM của cốt liệu I2 (Ref) và cốt 311 0.05 0.1 0.15 0.2 0.25 0.3 0 0.5 1 1.5 2 2.5 3 3.5 4 Ref Equ v effk Hình 12. So sánh kết hệ số dẫ hiệu quả tính bằng XFEM của cốt liệu I2 (Ref) và cốt liệu hình tròn tương đương (Equ). Tỉ lệ thể tích cốt liệu tăng dần bằng cách tăng số lượng cốt liệu (TH1-I2) Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2018 p-ISSN 2615-9058; e-ISSN 2734-9489 14 liệu hình tròn tương đương (Equ). Tỉ lệ thể tích cốt liệu tăng dần bằng cách tăng số 312 lượng cốt liệu (TH1-I2). 313 314 Hình 13. So sánh kết hệ số dẫn hiệu quả tính bằng XFEM của cốt liệu I2 (Ref) và cốt 315 liệu hình tròn tương đương (Equ). Tỉ lệ thể tích cốt liệu tăng dần bằng cách tăng bán 316 kính cốt liệu (TH2-I2). 317 5. Kết luận 318 Bài báo này đã trình bày ứng dụng mạng trí tuệ nhân tạo ANN để tính toán hệ số dẫn 319 cho cốt liệu hình tròn tương đương, áp dụng cho một số loại cốt liệu phức tạp. Kết quả 320 bài báo cho thấy, so với việc tính toán hệ số cốt liệu tương đương dựa vào công thức 321 xấp xỉ giải tích chỉ áp dụng được khi các công thức giải tích là có sẵn, sử dụng mạng trí 322 tuệ nhân tạo, đa dạng các loại cốt liệu có thể tìm thấy cốt liệu tương đương hình tròn. 323 Sử dụng mô hình thay thế ứng dụng mạng trí tuệ nhân tạo để tính cốt liệu hình tròn 324 tương đương cho kết quả khả quan nhất là khi tỉ lệ thể tích cốt liệu bé. Tuy nhiên, việc 325 sử dụng mạng trí tuệ nhân tạo cũng có hạn chế nhất định về việc phạm vi ứng dụng bởi 326 mô hình thay thế cho kết quả không chính xác nếu chúng ta sử dụng ANN để ngoại suy. 327 Bên cạnh đó, hiệu năng huấn luyện của Net 2 trong bài không cao như Net 1. Điều này 328 ảnh hưởng đến kết quả của bài toán. Đây là vấn đề cần được nghiên cứu thêm để nâng 329 cao hiệu quả của phương pháp. 330 Lời cảm ơn 331 Tác giả chân thành cảm ơn sự hỗ trợ tài chính của Trường Đại học Xây dựng cho đề 332 tài : ‘Tính toán các thông số vật liệu tương đương của pha cốt liệu trong vật liệu không 333 đồng nhất bằng cách tiếp cận hướng dữ liệu’, mã số : 36-2020/KHXD. 334 335 336 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0 0.5 1 1.5 2 2.5 3 3.5 4 Ref Equ v effk Hình 13. So sánh kết hệ số dẫn hiệu quả tính bằng XFEM của cốt liệu I2 (Ref) và cốt liệu hình tròn tương đương (Equ). Tỉ lệ thể tích cốt liệu tăng dần bằng cách tăng bán kính cốt liệu (TH2-I2) 5. Kết luận Bài báo này đã trình bày ứng dụng mạng trí tuệ nhân tạo ANN để tính toán hệ số dẫn cho cốt liệu hình tròn tương đương, áp dụng cho một số loại cốt liệu phức tạp. Kết quả bài báo ch thấy, so với việc tính toán hệ số cốt liệu tương đương dựa vào công thức xấp xỉ giải ích ch áp dụng được khi các công thức giải tích là có sẵn, sử dụng mạng trí tuệ nhân tạo, đa dạng các loại cốt liệu có thể tì thấy cốt liệu tương đương hình tròn. Sử dụng mô hình thay thế ứng dụng mạng trí tuệ nhân tạo để tính cốt liệu hình tròn tương đương cho kết quả khả quan nhất là khi tỉ lệ thể tích cốt liệu bé. Tuy nhiên, việc sử dụng mạng trí tuệ nhân tạo cũng có hạn chế nhất định về việc phạm vi ứng dụng bởi mô hình thay thế cho kết quả không chính xác nếu chúng ta sử dụng ANN để ngoại suy. Bên cạnh đó, hiệu năng huấn luyện của Net 2 trong bài không cao như Net 1. Điều này ảnh hưởng đến kết quả của bài toán. Đây là vấn đề cần được nghiên cứu thêm để nâng cao hiệu quả của phương pháp. Lời cảm ơn Tác giả chân thành cảm ơn sự hỗ trợ tài chính của Trường Đại học Xây dựng cho đề tài: “Tính toán các thông số vật liệu tương đương của pha cốt liệu trong vật liệu không đồng nhất bằng cách tiếp cận hướng dữ liệu”, mã số: 36-2020/KHXD. Tài liệu tham khảo [1] Hashin, Z., Shtrikman, S. (1962). A variational approach to the theory of the effective magnetic perme- ability of multiphase materials. Journal of Applied Physics, 33(10):3125–3131. [2] Miller, M. N. (1969). Bounds for effective electrical, thermal, and magnetic properties of heterogeneous materials. Journal of Mathematical Physics, 10(11):1988–2004. [3] Phan-Thien, N., Milton, G. W. (1982). New bounds on the effective thermal conductivity of N-phase materials. Proceedings of the Royal Society of London. A. Mathematical and Physical Sciences, 380 (1779):333–348. [4] Le Chau, K., Chinh, P. D. (1991). On bounding the effective conductivity of isotropic composite materials. Zeitschrift fu¨r angewandte Mathematik und Physik ZAMP, 42(4):614–622. 121 Như, N. T. H. / Tạp chí Khoa học Công nghệ Xây dựng [5] Chinh, P. D. (2011). Bounds on the effective conductivity of statistically isotropic multicomponent mate- rials and random cell polycrystals. Journal of the Mechanics and Physics of Solids, 59(3):497–510. [6] Tran, A. B., Vu, M. N., Nguyen, S. T., Dong, T. Q., Le-Nguyen, K. (2018). Analytical and numeri- cal solutions for heat transfer and effective thermal conductivity of cracked media. Journal of Applied Geophysics, 149:35–41. [7] Pham, D. C., Torquato, S. (2003). Strong-contrast expansions and approximations for the effective con- ductivity of isotropic multiphase composites. Journal of Applied Physics, 94(10):6591–6602. [8] Torquato, S. Random Heterogeneous Media. Springer, New York. [9] Do, Q. H., Tran, A. B., Pham, D. C. (2016). Equivalent inclusion approach and effective medium approx- imations for the effective conductivity of isotropic multicomponent materials. Acta Mechanica, 227(2): 387–398. [10] Tran, A. B., Vu, M. N., Nguyen, S. T., Dong, T. Q., Le-Nguyen, K. (2018). Analytical and numeri- cal solutions for heat transfer and effective thermal conductivity of cracked media. Journal of Applied Geophysics, 149:35–41. [11] Ghaboussi, J., Garrett Jr, J. H., Wu, X. (1991). Knowledge-based modeling of material behavior with neural networks. Journal of Engineering Mechanics, 117(1):132–153. [12] Kirchdoerfer, T., Ortiz, M. (2016). Data-driven computational mechanics. Computer Methods in Applied Mechanics and Engineering, 304:81–101. [13] Le, B. A., Yvonnet, J., He, Q.-C. (2015). Computational homogenization of nonlinear elastic materials using neural networks. International Journal for Numerical Methods in Engineering, 104(12):1061–1084. [14] Lu, X., Giovanis, D. G., Yvonnet, J., Papadopoulos, V., Detrez, F., Bai, J. (2019). A data-driven computa- tional homogenization method based on neural networks for the nonlinear anisotropic electrical response of graphene/polymer nanocomposites. Computational Mechanics, 64(2):307–321. [15] Papari, M. M., Yousefi, F., Moghadasi, J., Karimi, H., Campo, A. (2011). Modeling thermal conductivity augmentation of nanofluids using diffusion neural networks. International Journal of Thermal Sciences, 50(1):44–52. [16] Hojjat, M., Etemad, S. G., Bagheri, R., Thibault, J. (2011). Thermal conductivity of non-Newtonian nanofluids: experimental data and modeling using neural network. International Journal of Heat and Mass Transfer, 54(5-6):1017–1023. [17] Longo, G. A., Zilio, C., Ceseracciu, E., Reggiani, M. (2012). Application of artificial neural network (ANN) for the prediction of thermal conductivity of oxide–water nanofluids. Nano Energy, 1(2):290– 296. [18] Esfe, M. H., Saedodin, S., Bahiraei, M., Toghraie, D., Mahian, O., Wongwises, S. (2014). Thermal conductivity modeling of MgO/EG nanofluids using experimental data and artificial neural network. Journal of Thermal Analysis and Calorimetry, 118(1):287–294. [19] Esfe, M. H., Saedodin, S., Asadi, A., Karimipour, A. (2015). Thermal conductivity and viscosity of Mg (OH) 2-ethylene glycol nanofluids. Journal of Thermal Analysis and Calorimetry, 120(2):1145–1149. [20] Nhu, N. T. H., Binh, T. A., Hung, H. M. (2020). Equivalent-inclusion approach for estimating the effec- tive elastic moduli of matrix composites with arbitrary inclusion shapes using artificial neural networks. Journal of Science and Technology in Civil Engineering (STCE)-NUCE, 14(1):15–27. 122
File đính kèm:
- ung_dung_mang_tri_tue_nhan_tao_tim_cot_lieu_tuong_duong_cho.pdf