ОБРАБОТКА МЕТАЛЛОВ Том 24 № 3 2022 48 ТЕХНОЛОГИЯ руемыми значениями) и исходными объектами (входными данными), рис. 5, а, б, в и г соответственно. Близкие к единице значения коэффициентов регрессии для обучения, подтверждения данных, тестирования и для всего набора данных показывают, что разработанная нейросетевая модель может быть надежно использована для прогнозирования скорости износа композита на основе ПТФЭ, армированного углеродным волокном (35 масс.%), в паре трения с нержавеющей сталью SS304 в пределах параметров, выбранных в данном исследовании. Кроме того, были проведены проверочные эксперименты с применением параметров процесса, отличных от тех, которые были использованы для разработки моделей. Сравнение прогнозируемых результатов с экспериментальной математической моделью и искусственной нейронной сетью (ИНС) показано в табл. 3. Точность модели оценивается путем получения процента погрешности между прогнозируемыми и экспериментальными значениями скорости изнашивания при различных параметрах процесса. Процент погрешности получали с использованием уравнения ñðåäíÿÿ ïîãðåøíîñòü ïðåäñêàçàííîå çíà÷åíèå – ýêñïåðèìåíòàëüíîå çíà÷åíèå 100. ýêñïåðèìåíòàëüíîå çíà÷åíèå (5) а б Рис. 5. Нейронная сеть: а – обучение; б – подтверждение; в – тестирование; г – весь набор данных Fig. 5. Neural network: a – Training; б – Validation; в – Test; г – All data set в г
RkJQdWJsaXNoZXIy MTk0ODM1