Е.А. Дурашкин
Московский физико-технический институт
В работе даётся краткое сравнение методологий риск-анализа (метода моментов, метода Монте-Карло и метода нейронных сетей). Представлено одно из возможных применений метода нейронных сетей для задачи риск-анализа - имитатор работы двигателя на различных режимах полёта. На вход имитатора вводится число Маха и высота полёта. На выходе получаются стендовые тяговые характеристики.
Задача имитации работы двигателя сводится к обучению нейронной сети, то есть к задаче о минимизации функции ошибок (в нашем случае - квадрата разности желаемых (известных) значений и значений, полученных с помощью нейронной сети). С помощью же корректно подобранной архитектуры нейронной сети и алгоритма оптимизации возможно решать задачи на минимум и максимум для функций, которые имеют сложное строение и обладают целым рядом неприятных свойств, в частности, могут иметь локальные минимумы, плоские участки, седловые точки и длинные узкие овраги. Одним словом, нейронные сети находят своё применение там, где строгие методы оптимизации терпят неудачу. В работе представлена газо-термодинамическая модель СПВРД на основе теоретического расчёта. На рисунке 1. показаны сравнительные характеристики для значений тяги, полученных с помощью нейронной сети и на основании термодинамического расчёта одномерной модели СПВРД (при одном и том же входном векторе).
Актуальность выбранной задачи обусловлена необходимостью проведения как теоретических, так и экспериментальных изысканий в данной области. Нейронные сети позволяют на основе уже полученных ранее данных (допускается даже некоторая их зашумленность) моделировать в режиме реального времени работу двигателя при произвольных условиях полёта в широком диапазоне изменения входных параметров. И, ввиду большой стоимости стендовых испытаний, результат моделирования представляет некоторый интерес для экспериментатора. Кроме того, с помощью нейронной сети можно вычислять, к примеру, характеристики двигателя, меняя компоновку его элементов, что представляет уже интерес для теоретика. ЛИТЕРАТУРА:
- A98-31494, Neep Hazarika, Ismail H. Tuncer, David Lowe, “An Inverse Design Procedure for Airfoils Using Artificial Neural Networks”.
- AIAA-93-5151 V.Skipenco, “Application of Risk-Analysis to the Problem on Comparing Various Aerospace Plane Concepts ”, TsAGI, Moscow Region, Russia.
- Ф.Уоссермен, “Нейрокомпьютерная техника: Теория и практика”, 1992г.
- Л.М.Бондарюк, С.М.Ильюшенко, “Прямоточные ВРД”, Государственное издательство оборонной промышленности, 1958г.
