CC BY
55
ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ
Применение нейросетевых технологий в гиперзвуковой аэрокосмической системе Хлопков Ю.И.1, Дорофеев Е.А.2, Зея Мьо Мьинт3, Хлопков А.Ю.4, Поляков М.С.5, Агаева Илаха Рустам кызы6
'Хлопков Юрий Иванович /Khlopkov Yury Ivanovich - факультет аэромеханики и летательной техники, доктор физико-
математических наук;
2Дорофеев Евгений Александрович /Dorofeev Evgeny Aleksandrovich - факультет аэромеханики и летательной техники,
кандидат физико-математических наук; 3Зея Мьо Мьинт / Zay Yar Myo Myint - факультет аэромеханики и летательной техники, кандидат физико-
математических наук, докторант; 4Хлопков Антон Юрьевич /Khlopkov Anton Yuryevich - факультет аэромеханики и летательной техники, аспирант; 5Поляков Михаил Сергеевич /Polyakov MikhailSergeevich - факультет аэромеханики и летательной техники, аспирант; 6Агаева Илаха Рустам кызы /Agaeva Ilaha Rustam kyzy - факультет аэромеханики и летательной техники, студент
Московский физико-технический институт, г. Жуковский
Аннотация: на сегодняшний день разработка и внедрение высокопроизводительных информационных систем является одной из самых актуальных задач. Искусственный интеллект был междисциплинарной наукой, являясь одновременно и наукой, и искусством, и техникой и психологией.
Ключевые слова: нейронные сети, нейросетевые технологии, искусственный интеллект, гиперзвуковой аэрокосмической системы.
Keywords: neural networks, neural network technology, artificial intelligence, hypersonic aerospace systems.
На сегодняшний день разработка и внедрение высокопроизводительных информационных систем является одной из самых актуальных задач. Специалисты по искусственному интеллекту все больше и больше пытаются найти способы и возможности моделирования интуитивного мышления. Искусственный интеллект был междисциплинарной наукой, являясь одновременно и наукой, и искусством, и техникой и психологией.
Для решения задач многодисциплинарной оптимизации в настоящее время весьма актуальным является изучение и разработка методов, основанных на применении систем с искусственным интеллектом (нейронные сети, эволюционные алгоритмы и методы нечеткой логики и т.д.) [1]. Данная тенденция является естественным процессом, вызванным развитием науки и технологическим прогрессом. Искусственные нейронные сети (ИНС) -это математический метод имитации процессов и явлений, основанный на моделировании работы мозга человека и позволяющий воспроизводить чрезвычайно сложные зависимости. Важной чертой ИНС является то, что в силу конструктивных особенностей они позволяют успешно решать задачи с большим количеством переменных, не требуя большого количества вычислительных ресурсов.
Работа нейронной сети заключается в том, что она преобразует входной вектор в выходной вектор, причем это преобразование задается весами нейронной сети. Процесс построения нейронной сети делится на два этапа:
1. Выбор типа (архитектуры) нейронной сети;
2. Подбор весов (обучение) нейронной сети.
На первом этапе, выбираем: какие нейроны хотим использовать (число входов, передаточные функции); каким образом следует соединить их между собой; что взять в качестве входов и выходов нейронной сети (рис.1).
Рис.1. Структура нейронной сети
Существует несколько десятков нейросетевых архитектур, эффективность которых доказана математически. Самые популярные и изученные нейронные архитектуры - это многослойный персептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена и другие. Следующий этап будет процессом обучения нейронной сети. В используемых на практике нейронных сетях количество весов может составлять несколько десятков тысяч, поэтому обучение - действительно сложный процесс. Для обучения нейронных сетей специально разработаны многочисленное количество алгоритмов обучения, которые позволяют настроить веса нейронной сети определенным образом.
Алгоритм обучения означает процедуру, в которой используются правила обучения для настойки весов. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Свойство сети обучаться на примерах делает их более привлекательными по сравнению с системами, которые следуют определенной системе правил функционирования. Существуют три парадигмы обучения нейронных сетей: «с учителем», «без учителя» (самообучение), «смешанное». В первом случае нейронная сеть располагает правильными ответами (выходами сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Обучение без учителя не требует знания правильных ответов на каждый пример обучающей выборки. В этом случае раскрывается внутренняя структура данных или корреляции между образцами в системе данных, что позволяет распределить образцы по категориям. При смешанном обучении часть весов определяется посредством обучения с учителем, в то время как остальная получается с помощью самообучения. На рис.2 показана схема алгоритма решения задач гиперзвукового обтекания.
Известны четыре основных типа правил обучения: коррекция по ошибке, машина Больцмана, правило Хебба и обучение методом соревнования. Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки (Error Back Propagation), используемый, например, для обучения персептрона.
Рис.2. Алгоритм решения задач гиперзвукового обтекания
В данной работе предлагается применение искусственных нейронных сетей для эффективного решения задач обтекания тел в гиперзвуковом течении. В качестве входных сигналов проведен параметрический расчет АДХ треугольника в гиперзвуковом течении. Геометрия треугольника условно имитирует форму гиперзвукового летательного аппарата (ГЛА). Для вычисления АДХ обтекаемых тел использовалась, разработанная в МФТИ и ЦАГИ и хорошо зарекомендовавшая себя для подобных задач информационная технология АДАНАТ (Аэродинамический Анализ в обеспечение создания Аэрокосмической Техники) [2]. В качестве элементов АДАНАТ включает в себя методику решения кинетических уравнений методами статистического моделирования (Монте-Карло [3,4]), решение уравнений сплошной среды (АРГОЛА-2),
когнитивные методы [5,6]. На результатах расчета АДХ ГЛА, которые представлены в книге [7] проводится обучение предложенной нейронной сети.
Рис.3. Обучение зависимости Cx(a) с помощью Neuro Module21 Нейронная сеть построена с 4 входными сигналами, 1 выходным, скрытным слоями и более 4000 паттернов с помощью программой Neuro Module21, которой разработано Дорофеевым на ФАЛТе. Параметры для входов поставлены следующие: угол треугольника 6 от 15 до 60 шагом 15; скоростное отношение s от 5 до 30 шагом 5; угол атаки a от - 90° до +90°, температурный фактор tw = Tw/TM= 0.0001, 0.001, 0.01, 0.1, 1. После обучения получили хорошие результаты для Cx c ошибкой MSE/SQDEV 4% (MSE/SQDEV - среднеквадратичная вариация данных на множестве относительно ошибки) (Рис. 3). По результатам проведения данной научно-исследовательской работы показана перспективность применения систем с элементами искусственного интеллекта в интересах аэрокосмической отрасли. Применение нейронных сетей на этапе проектирования ГЛА позволяет существенно повысить достоверность оценки характеристик устойчивости и управляемости ГЛА.
Работа выполнена при поддержке РНФ (Грант №14-11-00709)
Литература
1. Хлопков Ю.И., Дорофеев Е.А., Зея Мьо Мьинт, Поляков М.С., Хлопков А.Ю., Агаева И.Р. Разработка нейронных сетей для расчета аэродинамических характеристик высокоскоростных летательных аппаратов // Фундаментальные исследования. 2013. № 11(9). с. 1834-1840.
2. Хлопков Ю.И., Ткаченко В.В., Воронин И.В., Зея Мьо Мьинт. Проект информационной технологии «АДАНАТ» // Материалы международной научно-практической конференции «Наука и технологии в современном обществе». Уфа, 2014. с. 64-67.
3. Хлопков Ю.И. Статистическое моделирование в вычислительной аэродинамике.М.: МФТИ, 2006.
4. Белоцерковский О.М., Хлопков Ю.И. Методы Монте-Карло в механике жидкости и газа. М.: Азбука, 2008.
5. Хлопков Ю.И., Зея Мьо Мьинт, Хлопков А.Ю. Разработка когнитивного подхода в аэрокосмической технологии // Материалы международной научно-практической конференции «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в математике, технике, физике», Санкт-Петербург, 2014. с. 145-146.
6. Khlopkov Yu.I., Zay Yar Myo Myint, Khlopkov A.Yu. Development of cognitive technology in computational aerodynamics // International Journal of Astronomy, Astrophysics and Space Science, USA, 2014, Vol. 1, No.1. pp.11-15.
7. Хлопков Ю.И., Чернышев С.Л., Зея Мьо Мьинт, Хлопков А.Ю. Введение в специальность II. Высокоскоростные летательные аппараты. М.: МФТИ, 2013.
