Рубрика: "1.2.2. Математическое моделирование, численные методы и комплексы программ (технические науки)"
523.6+533.6 Моделирование Тунгусского явления 1908 года в рамках двух возможных гипотез
Андрущенко В. А. (Институт автоматизации проектирования РАН), Сызранова Н. Г. (Институт автоматизации проектирования РАН)
doi: 10.18698/2309-3684-2023-3-4261
В рамках актуальной проблемы кометно-астероидной опасности численно исследуются физические процессы, вызывающие разрушение и фрагментацию метеорных тел в атмосфере Земли, в данном случае Тунгусского болида. Число всевозможных версий и гипотез, связанных с Тунгусским явлением, чрезвычайно велико и продолжает возрастать, поэтому необходим анализ и обобщений всех известных фактов, присущих этому нестандартному катастрофическому событию, и только после этого приступить к выдвижению тех или иных гипотез, его объясняющих. На основе разработанной физико-математической модели, определяющей движение космических объектов естественного происхождения в атмосфере и их взаимодействия с ней, нами предложены две гипотезы, объясняющие процессы, происходящие при падении Тунгусского тела в 1908г. Первая гипотеза связана с дроблением тела, представляющего собой каменный метеороид, на большое количество фрагментов, которые разрушились в плотных слоях атмосферы под действием термических напряжений до размера мелкой пыли. Трудности выявления мелких частиц, выпавших именно в результате Тунгусского события, объясняются в основном следующим обстоятельством ˗ сроки начала первичных поисков следов падения тела были отдалены от момента события на целых двадцать лет, в течение которых на этой территории могло произойти весьма значительное количество других геофизических процессов. Вторая гипотеза связана с явлениями, возникающими при малых углах входа тела в атмосферу Земли. В этом случае происходит изменение баллистики его полета в атмосфере, заключающееся в переходе от режима падения к режиму подъема. Этот эффект приводит к реализации следующих возможных сценариев события: возврат тела обратно в космическое пространство при его остаточной скорости большей второй космической; переход тела на орбиту спутника Земли при остаточной скорости большей первой космической; при меньших значениях остаточной скорости тела возвращение его через некоторое время к режиму падения и достижение им земной поверхности на значительном расстоянии от предполагаемого места падения. Предложенные гипотезы объясняют, например, отсутствие материальных следов, в том числе и кратеров в ходе поисков останков Тунгусского болида в окрестности вывала леса
Андрущенко В.А., Сызранова Н.Г. Моделирование Тунгусского явления 1908 года в рамках двух возможных гипотез. Математическое моделирование и численные методы, 2023, № 3, с. 42–61.
Крееренко С. С. (ПАО «ТАНТК им. Г.М. Бериева»), Крееренко О. Д. (ПАО «ТАНТК им. Г.М. Бериева»)
doi: 10.18698/2309-3684-2024-3-8199
Рассматривается задача моделирования продольного движения самолета транспортной категории и параметрическая идентификация аэродинамических характеристик продольного движения: составляющих безразмерных коэффициентов аэродинамической подъемной силы и момента тангажа. Задача решается в классе модульных полуэмпирических динамических моделей, созданных объединением теоретического и нейросетевого моделирования. Работоспособность и практическая значимость моделей подтверждается результатами вычислительных экспериментов. Разработка нейросетевой модели продольного движения самолета выполнена на языке Python с использованием открытой программной библиотеки Tensorflow для машинного обучения и высокоуровневого API Keras в составе Tensorflow.
Крееренко С.С., Крееренко О.Д. Моделирование и параметрическая идентификация аэродинамических характеристик самолета транспортной категории с использованием нейросетей в среде Тensorflow. Математическое моделирование и численные методы, 2024, № 3, с. 81–99.
539.3 Конечно-элементное моделирование нестационарной термоустойчивости композитных конструкций
Димитриенко Ю. И. (МГТУ им.Н.Э.Баумана), Богданов И. О. (МГТУ им.Н.Э.Баумана), Юрин Ю. В. (МГТУ им.Н.Э.Баумана), Маремшаова А. А. (МГТУ им.Н.Э.Баумана), Анохин Д. С. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2024-1-3854
Рассматривается задача моделирования потери устойчивости конструкций из композиционных материалов вследствие нестационарных тепловых воздействий на них, с учетом температурной зависимости свойств компонентов композита. Сформулированы системы уравнений для расчета основного и варьированного состояний конструкции. Предложена классификация задач устойчивости. Описано применение метода конечных элементов для определения критической температуры и отвечающей ей формы потери устойчивости конструкции. Сформулирована локальная обобщенная задача на собственные значения и произведена верификация предложенной модели с помощью программного комплекса SMCM, разработанного в НОЦ «Симплекс» МГТУ им. Н.Э. Баумана, а также с помощью ПК ANSYS. Показано, что результаты расчета собственных форм и собственных значений в тестовой задаче достаточно хорошо совпадают.
Димитриенко Ю.И., Богданов И.О., Юрин Ю.В., Маремшаова А.А., Анохин Д. Конечно-элементное моделирование нестационарной термоустойчивости композитных конструкций. Математическое моделирование и численные методы, 2024, № 1, с. 38–54.
519.6 Агентная модель двух конкурирующих популяций с учетом структурности
Белотелов Н. В. (Вычислительный центр им. А.А. Дородницына ФИЦ ИУ РАН/МГТУ им.Н.Э.Баумана), Бровко А. В. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-3-7183
В статье описывается агентная имитационная модель двух популяций, конкурирующих за один ресурс. В модели считается, что особь погибает, если её масса-энергия становится неположительной. Предполагается, что особи каждой из рассматриваемых популяций могут образовывать стаи, это позволяет популяциям повышать свою конкурентоспособность. В модели это формализуется посредством возможности организовывать сети, связывающие особей одного вида. При этом особи могут образовывать лишь определенное количество связей с соседями. В модели для описания этого вводится понятие «валентности». Предполагается, что внутри каждой сети происходит мгновенное перераспределение ресурса по всем членам сети, имеющегося у каждого членом стаи. В статье помимо модели описана структура программы, с помощью которой проводились имитационные эксперименты. В результате проведенных имитационных экспериментов было получено следующее. Если ресурс высокопродуктивный, то в процессе конкурентного взаимодействия побеждает популяция, агенты, которой имеют большую «валентность». А в случае низко продуктивного ресурса победу в конкурентном взаимодействии одерживают особи популяции, обладающей меньшей «валентностью». Это связано с тем, что более сложные структуры требуют большей энергии поддержания стаи.
Белотелов Н.В., Бровко А.В. Агентная модель двух конкурирующих популяций с учетом их структурности. Математическое моделирование и численные методы, 2022, № 3, с. 71–83.
Бушуев А. Ю. (МГТУ им.Н.Э.Баумана), Данилов Н. А. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-2-313
Для решения проектной задачи разработана математическая модель функционирования системы синхронизации исполнительных органов на основе дроссельного делителя потока. Приводится решение задачи оптимизации времени рассогласования относительного перемещения исполнительных органов при наличии внешних знакопеременных силовых воздействий, выполненное с помощью генетического алгоритма и уточненное с помощью метода Нелдера-Мида
Бушуев А.Ю., Данилов Н.А. Математическое моделирование гидравлической системы синхронизации исполнительных органов на основе дроссельного делителя потока. Математическое моделирование и численные методы, 2022, № 2, с. 3–15
Донской И. Г. (Институт систем энергетики им. Л.А. Мелентьева СО РАН)
doi: 10.18698/2309-3684-2021-3-2441
В статье рассматривается численная модель течения газа в пористой среде, содержащей частицы реакционноспособного компонента (полимера). При нагреве эти частицы расширяются, деформируются и заполняют порозное пространства, в результате чего проницаемость существенно снижается. Связь между пористостью и проницаемостью описывается формулой Козени-Кармана. Тогда вблизи нижней (входной) границы образуется область с низкой проницаемостью (агломерат), рост которой определяется условиями на боковой и входной границе. В результате расчетов получены характерные сценарии блокировки пористой среды при разных температурах нагрева. Показано, что при нагреве через стенку полимер разлагается, и пористая среда частично восстанавливает проницаемостью При нагреве поступающим газом агломерат намного более устойчив, поскольку он блокирует источник нагрева.
Донской И.Г. Численное моделирование процессов образования, роста и разложения агломератов в пористой среде при разных режимах нагрева. Математическое моделирование и численные методы, 2021, № 3, с. 24–41.
004.855.5 Нейросетевые методы решения задачи кредитного скоринга
Кадиев А. Д. (МГТУ им.Н.Э.Баумана), Чибисова А. В. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-4-8192
Продемонстрирован математический вывод представленной модели нейронной сети. Сведение задачи классификации к задаче оптимизации. Произведен разведывательный анализ данных, а также их предобработка для дальнейшего использования в обучении алгоритмов классификации. Были спроектированы архитектуры нейронных сетей, зависящих от функции активации, количества скрытых слоев нейронной сети и количества нейронов в скрытых слоях. Обучено более десяти нейронных сетей, решающих поставленную задачу кредитного скоринга. Произведен расчет времени обучения нейронных сетей. Представлено решение задачи при помощи классических алгоритмов машинного обучения. Можно было заметить, что стандартное отклонение accuracy и ROC AUC для нейронных сетей больше, чем у случайного леса. Это происходит из-за того, что мы выбираем начальные веса случайным образом и градиенты считаем не на всей выборке, а на малых частях, что добавляет некоторую погрешность при обучении. Но эти отклонения были не только в худшую сторону. В лучших ситуациях, по обеим метрикам, нейронные сети показывали результат хуже всего на пару процентов. Произведен анализ резульатов. Сравнительный анализ показывает, что нейронные сети имеют лучшее качество классификации, чем классические алгоритмы машинного обучения, а также, что нейронные сети имеют меньшее время обучения, чем классические алгоритмы машинного обучения. Представлены графики и таблицы, отображающие имеемые результаты.
Кадиев А.Д., Чибисова А.В. Нейросетевые методы решения задачи кредитного скоринга. Математическое моделирование и численные методы, 2022, № 4, с. 81–92.
Андрианов И. К. (Комсомольский-на-Амуре государственный технический университет), Чепурнова Е. К. (Комсомольский-на-Амуре государственный технический университет)
doi: 10.18698/2309-3684-2024-2-316
В исследовании рассмотрена проблема оптимизации системы обнаружения трещин лопаток газовых турбин. В качестве объекта исследования рассмотрена оболочка капсулы системы обнаружения повреждений, находящаяся в контакте с телом лопатки и под действием внутреннего давления. Задача исследования была посвящена вопросу математического моделирования оптимального давления в капсулах системы обнаружения повреждений. В рамках решения проблемы исследования проведена математическая постановка задачи оптимизации нелинейной функции давления при наличии ограничений на варьируемые параметры: толщину стенки и наружный диаметр цилиндрической оболочки капсулы. Построение целевой функции оптимизации проводилось на основании условия равновесия элемента оболочки в области раскрытия трещины турбинной лопатки, критерия предельного состояния с использованием теории прочности Треска-Сен-Венана. Методика исследования строилась с использованием приближенного разложения функции напряжений в ряд Тейлора, применением метода множителей Лагранжа, теоремы Куна-Таккера. При решении задачи условной оптимизации проанализированы случаи нарушения условий регулярности ограничивающих функций. По результатам расчета минимальное значение требуемого давления для разрушения оболочки капсулы в случае раскрытия берегов трещины турбинной лопатки достигается при максимальном значении наружного диаметра оболочки и минимальной толщине ее стенки. По данным тестового расчета графически представлена область допустимых решений оптимизационной задачи, и показаны линии уровня целевой функции оптимизации давления. Построенная математическая модель и алгоритм позволят автоматизировать процесс расчета требуемого давления в капсулах системы обнаружения трещин лопаток турбин и получить оценку минимального значения давления при наличии ограничений на толщину стенки и наружный диаметр оболочки капсулы.
Андрианов И.К., Чепурнова Е.К. Математическая модель условной оптимизации давления в системе обнаружения трещин лопаток газовых турбин. Математическое моделирование и численные методы, 2024, № 2, с. 3–16.
519.17 Задача о преследовании в 3D-пространстве с произвольными начальными углами прицеливания
Бодряков В. Ю. (Уральский государственный педагогический университет)
doi: 10.18698/2309-3684-2024-2-6884
В статье впервые получено аналитическое решение задачи о преследовании в системе «хищник–жертва» в евклидовом 3D-пространстве для произвольных начальных углов прицеливания. В процессе преследования жертва движется равномерно и прямолинейно, постоянный по модулю вектор скорости хищника нацелен на жертву. Точное решение задачи получено в форме параметрически заданной пространственной кривой преследования. Получены точные выражения для других существенных характеристик процесса преследования (времени преследования, координат жертвы, длины кривой преследования, и др.). Проведено реалистичное компьютерное моделирование взаимного движения хищника и жертвы в пространстве и во времени; определены характерные параметры процесса преследования. Отмечен значительный дидактический потенциал решенной задачи о 3D-преследовании для подготовки будущих специалистов в области механики и управления; задача может служить содержательной основой для выполнения обучающимися исследовательских проектов, курсовых и выпускных квалификационных работ.
Бодряков В.Ю. Задача о преследовании в 3D-пространстве с произвольными начальными углами прицеливания. Математическое моделирование и численные методы, 2024, № 2, с. 68-84.