Modeling of sliding wear characteristics of Polytetrafluoroethylene (PTFE) composite reinforced with carbon fiber against SS304

OBRABOTKAMETALLOV Vol. 24 No. 3 2022 47 TECHNOLOGY дит к окончательному прогнозу вывода сети. Затем вычисляется погрешность в выходном узле и на основе ошибки модифицируются веса. Веса в предыдущих слоях модифицируются ошибками обратного распространения, вычисляемыми в узлах выходного слоя [18]. Этот процесс повторяется для набора входных и выходных обучающих данных. Обучение останавливается, когда выход ИНС достаточно близок к ожидаемому результату для каждого набора. Для получения данных об изнашивании построена модель ИНС с использованием MATLAB Toolbox с учетом входных параметров, таких как нормальная нагрузка, температура на границе раздела и скорость скольжения. Архитектура ИНС имеет три уровня, а именно входной, выходной и скрытый (рис. 4). Входной слой имеет три нейрона, выходной слой имеет один нейрон и соответствующее количество нейронов на скрытом слое. Нейроны выбираются путем проверки точности сети. Количество нейронов на скрытом слое можно изменить, если после обучения сеть работает плохо. Нейронная сеть с прямой связью сопоставляет набор числовых входных данных с набором числовых целей. Приложение Neural Fitting из MATLAB Toolbox помогает выбрать данные, а также создать и обучить сеть и оценить ее производительность с использованием среднеквадратичной погрешности и регрессионного анализа. Выбрана двухслойная сеть с прямой связью, скрытыми сигмовидными нейронами и линейными выходными нейронами, которая хорошо подходит для многомерных задач при наличии непротиворечивых данных и достаточного количества нейронов в скрытом слое. Сеть была обучена алгоритму обратного распространения Левенберга–Марквардта. В нейронной сети для обучения и проверки тестовых данных используются три вида выборок. В настоящей работе для обучения нейронной сети используется около 70 % данных. Сеть настраивается в соответствии со своей погрешностью. Около 15 % данных используется для проверки результатов, предсказанных обученной нейронной сетью. Эти наборы проверочных данных используются для измерения обобщения сети и для остановки обучения, когда обобщение перестает улучшаться, и около 15 % данных используются для проверки результатов, предсказанных нейронной сетью. Эти наборы данных не влияют на обучение и, таким образом, обеспечивают независимую оценку качества работы сети во время и после обучения. Следующим важным шагом является определение архитектуры сети для получения более точных прогнозируемых результатов. В этом исследовании самая высокая предсказуемая точность 0,9747 наблюдалась с восемью нейронами в скрытом слое. Кроме того, сеть должна быть обучена с использованием либо алгоритма Левенберга–Марквардта, либо байесовской регуляризации, либо алгоритма масштабированного сопряженного градиента. Однако исследователи в основном использовали алгоритм Левенберга–Марквардта. Этот алгоритм сравнительно быстрее, чем другие алгоритмы. Однако этот алгоритм требует больше памяти. Производительность обучения нейронной сети измеряется среднеквадратичной погрешностью (среднеквадратичная погрешность между исходными объектами и выходными данными). Более низкие значения являются предпочтительными. Значения регрессии (R) измеряют корреляцию между выходными данными (прогнозиРис. 4. Архитектура ИНС для получения данных о скорости изнашивания Fig. 4. ANN architecture to obtain wear rate

RkJQdWJsaXNoZXIy MTk0ODM1