Методика автоматизованої генерації великих наборів даних у Ansys Mechanical для навчання нейромереж

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.48(1).196-205

Ключові слова:

нейронна мережа, контактна зона, математичне моделювання, метод скінченних елементів, генерація даних, глибоке навчання, Ansys

Анотація

Впровадження методiв глибокого навчання в механiку деформiвного твердого тiла суттєво обмежується нестачею верифiкованих навчальних даних. Це зумовлює необхiднiсть розроблення бiльш ефективних експериментальних та чисельних методiв отримання якiсних Data Sets, а також удосконалення пiдходiв до моделювання та валiдацiї. У статтi розроблено методику автоматизованого формування таких масивiв на базi середовища Ansys Mechanical. Запропонована методика базується на параметричному моделюваннi (модуль Parameters Set), що дозволяє варiювати геометричнi характеристики та умови навантаження зi збереженням якостi скiнченно-елементної сiтки. Для прискорення збору даних використано бiблiотеку Ansys DPF, яка забезпечує пряме зчитування бiнарних файлiв результатiв, оминаючи обмеження графiчного iнтерфейсу. Ефективнiсть методики перевiрено на прикладi задачi контактної взаємодiї штампа з пружним пiвпростором, для якої автоматично згенеровано множину рiшень. Отриманi структурованi набори напружень та деформацiй можуть бути використанi для тренування нейромереж, що спецiалiзуються на уточненнi результатiв МСЕ-розрахункiв на грубих сiтках. Такий пiдхiд дозволяє досягти прийнятної точностi моделювання при значному скороченнi обчислювальних витрат.

Спонсор дослідження

  • Дослiдження було проведено без фiнансової пiдтримки

Біографії авторів

Ю. С. Морозов, Днiпровський нацiональний унiверситет iменi Олеся Гончара

Аспiрант кафедри комп’ютерних технологiй

Т. А. Зайцева, Днiпровський нацiональний унiверситет iменi Олеся Гончара

Завiдувачка кафедри комп’ютерних технологiй. Кандидат технiчних наук, доцент

Посилання

  1. Sahin, T., von Danwitz, M., & Popp, A. (2024). Solving forward and inverse problems of contact mechanics using physics-informed neural networks. Advanced Modeling and Simulation in Engineering Sciences, 11, Article 11. https://doi.org/10.1186/s40323-024-00265-3
  2. Zghurovskyi, M. Z., & Zaуchenko, Y. P. (2024). Artificial intelligence systems. Kyiv: Akademperiodyka. https://doi.org/10.15407/akademperiodyka.551.744 [in Ukrainian].
  3. Madenci, E., & Guven, I. (2015). The Finite Element Method and Applications in Engineering Using ANSYS. New York: Springer. https://doi.org/10.1007/978-1-4899-7550-8
  4. Ramnath, S., Adrian, A., Bolar, A., Alawadhi, I., Sunkara, S., Kumar, P., Davidson, J., & Shah, J. (2025). Springback prediction using machine learning: an application for simplified automotive body-in-white structures. The International Journal of Advanced Manufacturing Technology, 139(3), 1253–1273. https://doi.org/10.1007/s00170-025-15958-1
  5. Ansys Free Student Software Downloads. Retrieved from https://www.ansys.com/academic/free-student-products
  6. Liang, L., Liu, M., Martin, C., & Sun, W. (2018). A deep learning approach to estimate stress distribution: a fast and accurate surrogate of finite-element analysis. Journal of The Royal Society Interface, 15(138), Article 20170844. https://doi.org/10.1098/rsif.2017.0844
  7. Stolarski, T., Nakasone, Y., & Yoshimoto, S. (2018). Engineering Analysis with ANSYS Software (2nd ed.). Oxford: Butterworth-Heinemann. Retrieved from https://inspectioncopy.elsevier.com/book/details/9780081021644
  8. Lee, H. H., & Schilling, P. J. (2025). Finite Element Simulations with ANSYS Workbench 2025. Theory, Applications, Case Studies, KS: SDC Publications. Retrieved from https://perlego.com/book/5205547/finite-element-simulations-with-ansysworkbench-2025-theory-applications-case-studies-pdf
  9. Ansys® Workbench User’s Guide, Release 2023 R1. (2023). Canonsburg, PA: Ansys, Inc. Retrieved from https://ansyshelp.ansys.com
  10. Ansys DPF-Core: Data Processing Framework via Python. (2024). Canonsburg, PA: Ansys, Inc. Retrieved from https://dpf.docs.pyansys.com
  11. Shyshkanova, G., Zaytseva, T., & Frydman, O. (2016). Method of approximation of stress fields in elastic bodies using neural networks. Metallurgical and Mining Industry, (4), 94–98. Retrieved from https://www.metaljournal.com.ua/assets/Journal/english-edition/MMI_2016_4/12_Ganna-Shyshkanova.pdf

##submission.downloads##

Опубліковано

2026-01-29

Як цитувати

Морозов, Ю. С., & Зайцева, Т. А. (2026). Методика автоматизованої генерації великих наборів даних у Ansys Mechanical для навчання нейромереж. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 48(1), 196–205. https://doi.org/10.24144/2616-7700.2026.48(1).196-205

Номер

Том 48 № 1 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 Ю. С. Морозов, Т. А. Зайцева

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.