Нейросеть взялась за фундамент

При всём буме цифровизации пока попытки пристроить нейронные сети к инжинирингу нельзя назвать очень успешными. Оно и понятно. Нейронки, которые в целях коммерческого продвижения продукта предпочитают называть красивым термином «искусственный интеллект», изначально предназначены для моделирования сложных когнитивных процессов человеческого мозга, которые крайне плохо поддаются обычной алгоритмизации. Это распознавание изображений, предсказание трендов, генерация текста и звука и тому подобное.

Обычные инженерные расчёты, напротив, предполагают строгое следование «инструкции» в виде нормативно-технической документации и потому замечательно могут быть оцифрованы обычными программными методами, без применения нейронных сетей.

Однако и здесь есть первые подвижки. Так специалисты Пермского национального исследовательского политехнического университета разработали систему, которая, по уверениям авторов, способна до 20% более точно прогнозировать характеристики осадки фундамента здания в сравнении с традиционными методами анализа.

При этом как раз-таки использовались технологии нейронных сетей. Проект был реализован при финансовой поддержке Российского фонда фундаментальных исследований. В разработке приняли участие младший научный сотрудник кафедры строительного производства и геотехники Ян Офрихтер и его научный руководитель, профессор, доктор технических наук Андрей Пономарёв. Как пояснил господин Офрихтер:

Для прогноза осадки свай в грунте необходимо учесть множество факторов: характеристики грунта, геометрические размеры сваи и способ её установки. Изыскания проводят с помощью прямых и косвенных методов. Первые требуют финансовых затрат, а вторые – дополнительных расчётов. Поэтому мы использовали другой подход: построили искусственную нейронную сеть и обучили её выполнять прогноз прямых испытаний по данным более экономичных косвенных.

Разработка позволит в дальнейшем не проводить дополнительных исследований. Вместо этого нужно будет пополнять существующую базу данных. За счёт способности нейросетей обрабатывать сложные зависимости можно использовать результаты различных испытаний в комплексе. Этот подход позволит изучить большее количество параметров грунта и значительно повысить точность прогнозирования.

Чтобы получить результат, нейросеть использует данные прямых испытаний, статического зондирования, вертикальной нагрузки и параметры сваи. Учёные протестировали множество моделей нейронных сетей, чтобы найти наиболее эффективную архитектуру. В результате они получили сеть из 4-х скрытых слоёв, каждый из которых состоят из 200 нейронов. Машинное обучение исследователи провели с помощью метода обратного распространения ошибки, используя базу данных уже существующих объектов.

Результаты, которые представила нейросеть, оказались на 15-20% точнее, чем данные осадки по традиционным методикам. По словам учёных, разработка позволила повысить точность прогноза с использованием меньшего количества информации.

Итоги работы, безусловно, выглядят оптимистично, однако, пригодность методики для реального проектирования ещё нужно подтвердить. Не секрет, что для подготовки нейронной сети критическое значение играет объём обучающей выборки – готовой базы данных, на основании которой происходит настройка весовых коэффициентов. При этом размеры выборки обычно бывают очень большими. Для качественного обучения недостаточно не только десятка, но даже сотен и даже тысяч исходных примеров. размерность баз данных для обучения серьёзных сетей насчитывает сотни тысяч и даже миллионы единиц информации. Её сбор и подготовка зачастую даже более длительный и дорогостоящий процесс, чем само обучение нейронки.

Пермские учёные пока не говорят о том, на какой выборке обучалось их детище. В случае, если исходная последовательность была небольшая, есть неиллюзорный шанс, что нейронную сеть просто «натаскали» на ограниченное число примеров, и что при более сложных и нестандартных ситуациях она может генерировать критичные ошибки. Тем не менее, сама по себе попытка применить технологию нейросетей для инженерных расчётов выглядит интересной и перспективной.

При полном и/или частичном копировании данного материала, для последующего размещения его на стороннем ресурсе, обратная, индексируемая ссылка на источник обязательна!