Wykorzystanie sztucznych sieci neuronowych w zagadnieniu odwrotnym dyfuzji ciepła

W artykule przedstawiono koncepcję wykorzystania sztucznych sieci neuronowych do rozwiązania współczynnikowego zagadnienia odwrotnego dyfuzji ciepła. Opisywane rozwiązanie jest częścią projektu, którego celem jest opracowanie systemu pomiarowego wykorzystującego sondę cieplną do doraźnej kontroli parametrów cieplnych materiałów termoizolacyjnych. Przedstawiono wybrane wyniki badań symulacyjnych pozwalających porównać różne architektury sieci neuronowych. Symulacje obejmują proces uczenia i testowania sieci. Zbadano także wpływ błędów pomiarowych wielkości wejściowych na identyfikowane przez sieć neuronową parametry cieplne materiału. Przedstawiane symulacje przeprowadzono w środowisku Matlab.

The paper presents an idea of a measurement system with a hot probe for testing thermal parameters of heat insulation materials. In contrast to classical methods of linear heat source [1, 2, 5, 6, 7, 8], there are not assumed any significant simplifications in the model of heat flow in the material sample. The model of non-stationary heat flow in the material sample with a hot probe and auxiliary thermometer is based on a two-dimensional heat-conduction model and includes the heat capacity of the probe handle [3, 4, 9, 10]. The finite element method was used for solving the system of partial differential equations describing the model [11, 12] - Sections 2 and 3. The usability of the artificial neural network [14] for solving the inverse heat transfer problem in a sample of heat insulation material is presented [13, 15]. The network determines the values of the effective thermal conductivity and diffusivity on the basis of the temperature responses of the hot probe and auxiliary thermometer. In order to select the optimal neural network architecture, there were compared many network configurations in Sections 4, 5 and 6. Additionally, the influence of input quantity errors on the estimated values of the thermal parameters was analysed using the Monte Carlo method [16, 17, 18] - Sections 7 and 8. The simulations of the heat flow process, network training and testing processes as well as the analysis of the error sensitivity were carried out in the Matlab environment.