Learning mechanical systems with neural networks
Pitkänen, Juho (2022)
Kandidaatintyö
Pitkänen, Juho
2022
School of Energy Systems, Konetekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022081655459
https://urn.fi/URN:NBN:fi-fe2022081655459
Tiivistelmä
Artificial intelligence based tools and applications are becoming more popular in many fields. Especially, use of neural networks has grown rapidly. The objective of this work was to study use of neural network based artificial intelligence tools on solving and understanding mechanical systems. For this work, two different example mechanical system models were created: mass-spring-damper system and deformable flexible multibody system. Example systems were used to generate data to train and test the neural network based data-driven model. These neural network models were specially designed for each example. The goal was to get the neural network tools to predict these systems efficiently and be able to create them with low effort. Programming was done in Python programming language using TensorFlow and Keras packages.
This work showed well how powerful neural networks can be. The results showed that created neural networks were able to predict example systems outputs with good accuracy. However, even with good accuracy in the end, tool might be ineffective if it takes great effort to get it working. This happened with the beam deformation example. In conclusion, usage of neural networks as a tool for modeling mechanical systems is feasible, but great care is needed in case of complex systems. The more experienced the user is at the start, the more effective use of the machine learning tools can be made and more complex systems can be approximated. However, tools like automated machine learning might allow easier development of neural networks even for beginners. It is easy to see these kinds of tools being popular in the future for a large variety of problems. By the results of this work, scientists and students should definitely consider using these neural network tools to understand and solve mechanical models. Tekoälypohjaiset työkalut ja sovellukset ovat yleistymässä alasta riippumatta. Erityisesti neuroverkkojen käyttö on kasvanut huimasti. Tämän työn tarkoitus oli tutkia neuroverkkopohjaisten tekoälytyökalujen käyttöä mekaanisten systeemien ratkaisemisessa ja ymmärtämisessä. Työtä varten luotiin kaksi erilaista mekaanista esimerkki systeemiä: massa-jousi-vaimennin systeemi sekä taipuvan palkin malli. Näitä systeemejä käytettiin datan luomiseen neuroverkko työkalujen kouluttamista sekä testaamista varten. Neuroverkkomallit luotiin kullekin esimerkille erikseen. Tavoitteena oli saada neuroverkot ennustamaan esimerkkien systeemejä tehokkaasti, ilman isompia ongelmia kehityksessä. Ohjelmointi osuus toteutettiin python-ohjelmointikielellä käyttäen TensorFlow ja Keras paketteja.
Tämä työ osoitti hyvin, kuinka tehokkaita neuroverkot voivat olla. Tulokset näyttivät, että luodut neuroverkot pystyivät ennustamaan esimerkkien järjestelmiä hyvällä tarkkuudella. Tarkkanakin, työkalu voi lopulta kuitenkin olla tehoton, jos sen luominen vie paljon aikaa. Näin kävi palkin taipumaa ennustavassa esimerkissä. Summattuna neuroverkkojen käyttö mekaanisia järjestelmiä opittaessa kannattaa, jos järjestelmät eivät ole liian monimutkaisia. Mitä enemmän kokemusta käyttäjällä on alussa, sitä monimutkaisempia järjestelmät voivat olla, pitämällä työkalut vielä tehokkaina ja hyödyllisinä. Kuitenkin, automoidut koneoppimistyökalut voivat mahdollistaa neuroverkkojen helpomman kehittämisen jopa alottelijoille. On helppo nähdä, että tällaiset työkalut ovat tulevaisuudessa suosittuja monien eri alojen ongelmien ratkaisussa. Tämän tutkimuksen perusteella tutkijoiden ja opiskelijoiden tulisi ehdottomasti harkita neuroverkko työkalujen käyttöä mekaanisten mallien ymmärtämiseen ja ratkaisemiseen.
This work showed well how powerful neural networks can be. The results showed that created neural networks were able to predict example systems outputs with good accuracy. However, even with good accuracy in the end, tool might be ineffective if it takes great effort to get it working. This happened with the beam deformation example. In conclusion, usage of neural networks as a tool for modeling mechanical systems is feasible, but great care is needed in case of complex systems. The more experienced the user is at the start, the more effective use of the machine learning tools can be made and more complex systems can be approximated. However, tools like automated machine learning might allow easier development of neural networks even for beginners. It is easy to see these kinds of tools being popular in the future for a large variety of problems. By the results of this work, scientists and students should definitely consider using these neural network tools to understand and solve mechanical models.
Tämä työ osoitti hyvin, kuinka tehokkaita neuroverkot voivat olla. Tulokset näyttivät, että luodut neuroverkot pystyivät ennustamaan esimerkkien järjestelmiä hyvällä tarkkuudella. Tarkkanakin, työkalu voi lopulta kuitenkin olla tehoton, jos sen luominen vie paljon aikaa. Näin kävi palkin taipumaa ennustavassa esimerkissä. Summattuna neuroverkkojen käyttö mekaanisia järjestelmiä opittaessa kannattaa, jos järjestelmät eivät ole liian monimutkaisia. Mitä enemmän kokemusta käyttäjällä on alussa, sitä monimutkaisempia järjestelmät voivat olla, pitämällä työkalut vielä tehokkaina ja hyödyllisinä. Kuitenkin, automoidut koneoppimistyökalut voivat mahdollistaa neuroverkkojen helpomman kehittämisen jopa alottelijoille. On helppo nähdä, että tällaiset työkalut ovat tulevaisuudessa suosittuja monien eri alojen ongelmien ratkaisussa. Tämän tutkimuksen perusteella tutkijoiden ja opiskelijoiden tulisi ehdottomasti harkita neuroverkko työkalujen käyttöä mekaanisten mallien ymmärtämiseen ja ratkaisemiseen.