ГОСТ Р 56232—2014
Приложение Е
(рекомендуемое)
Нейросетевая методика интерпретации результатов испытаний методом
инструментального индентирования шара
Е.1 Введение
Е.1.1 Нейросетевая методика позволяет восстанавливать значения механических характеристик материа
лов на основании записи диаграммы вдавливания шарового индентора. Основной идеей методики является
сходство процессов, протекающих в металле образцов при экспериментах на одноосное растяжение и кинетиче
ское вдавливание: в обоих случаях материал образца проходит стадии упругого, упруго-пластического и развито
го пластического деформирования. На рисунке Е.1 схематично показаны диаграммы одноосного растяжения (а) и
вдавливания шарового индентора (б) и показаны стадии деформирования. Проблема построения алгоритма
прямого перевода этих диаграмм друг в друга заключается в существенно более сложном распределении на
пряженно-деформированного состояния при вдавливании и отсутствии ярко выраженных на диаграмме вдавли
вания участков упругого деформирования и участка перехода в пластическое состояние. Однако, так как в про
цессе записи обеих диаграмм в образцах из одного материала протекают одни и те же процессы упруго-
пластического деформирования, можно утверждать, что существует некоторая функциональная зависимость
параметров диаграммы растяжения от параметров диаграммы вдавливания и наоборот.
Рисунок Е.1 Схематичное изображение диаграмм: (а)растяжения. (б)вдавливания сферического индентора.
1- участок упругого деформирования; 2 - зона зарождения первых пластических деформаций;
3 - участок развитого упруго-пластического деформирования; 4 - участок разгрузки
Е.1.2 Неочевидность выбора класса аналитических функций для поиска возможных функциональных за
висимостей пересчета возможно преодолеть с использованием универсального математического преобразова
теля - многослойного нейронного перцептрона. способного обучаться воспроизводить сложные нелинейные
преобразования на основе статистических данных.
Е.2 Пример построения нейронной сети для восстановления предела текучести
Е.2.1 Приводится пример построения нейросетевой методики и ее использования для восстановления
значения предела текучести по экспериментальным диаграммам вдавливания.
Е.2.2 Перед тем как нейронная сеть (НС) будет использоваться для восстановления значения предела те
кучести необходимо выполнить процедуру настройки НС. (процедуру обучения нейронной сети). При этом необ
ходимо иметь достаточную статистику соответствий диаграмм вдавливания и механических свойств металла.
Опыт использования НС для восстановления механических свойств показывает, что для успешного обучения
необходимо использовать выборку из не менее 200 пар при достаточной вариативности свойств металлов. Соз
дание такой выборки по результатам экспериментальных исследований сопряжено со значительными трудоза
тратами. поэтому, как правило, для построения статистической выборки используется метод конечных элементов
(МКЭ).
Е.2.3 В настоящем примере для проведения процедуры обучения НС была использована выборка из 515
диаграмм вдавливания, полученных по МКЭ (рисунок Д.4). В процессе расчета механические характеристики
варьировались случайным образом. Для предела текучести использовался интервал варьирования от 157 МПа до
1097 МПа. Вся расчетная выборка была поделена на две неравные части. Отобранные случайным образом 70%
диаграмм составили обучающую выборку, остальные 30% - тестовую. Обучающая выборка используется для
проведения процедуры обучения с целью минимизации средней ошибки получаемых в процессе работы се ти
выходных параметров по отношению к целевым. Тестовая выборка необходима для оценки способности НС
работать с данными, неиспользуемыми в процессе обучения. В данном примере для проведения про
цедуры обучения НС использовался алгоритм обратного распространения ошибки.
30