Početak projekta: 1.10.2025.

Fizikalno informirane neuronske mreže (eng. Physics-informed neural network - PINN), kao poseban oblik strojnog učenja, u posljednje su vrijeme privukle veliku pažnju zbog svoje iznimne fleksibilnosti u rješavanju širokog spektra problema i bržeg treniranja. PINN modeli u funkciju gubitka integriraju fizikalne jednadžbe sustava – uključujući obične i parcijalne diferencijalne jednadžbe – čime se modelu dodaje znanje temeljeno na fizikalnim zakonitostima.

Pokazalo se da točnost PINN metode pri rješavanju vibracijskih jednadžbi, osobito kod slobodnih vibracija, opada s povećanjem trajanja simulacije, što predstavlja glavni poticaj za ovaj projektni prijedlog. Za rješavanje ovog problema u literaturi je predloženo više pristupa. Dosada najbolji rezultati u postojećoj literaturi temelje se na analizi spektralnih svojstava neuronskog tangentnog kernela (eng. Neural Tangent Kernel – NTK). NTK konvergira prema definiranoj ograničenoj vrijednosti kernela i ostaje konstantan tijekom procesa učenja u trenutku kad širina neuronske mreže postane beskonačna. Međutim, ako se opisana PINN metoda trenira na impulsnim odzivima grede i pripadajućim funkcijama frekvencijskog odziva (FRF), metoda će precizno izračunati FRF do oko 20 Hz po najnovijem radu. S obzirom da u praksi FRF treba obuhvatiti frekvencijsko područje do 1000 Hz i više, postoji značajan prostor za daljnja poboljšanja i doprinos.

Ciljevi ovog projekta su izrada baze podataka za treniranje i testiranje te smanjenje akumulirane pogreške i poboljšanje učinkovitosti učenja PINN modela za analizu vibracija grede sa svim rubnim uvjetima. Nadalje, iz ovakvih mjerenja moguće je izvršiti i modalnu analizu grede, pa ova procedura, korištenjem inverznog pristupa, može poslužiti kao temelj za identifikaciju vlastitih frekvencija i oblika vibriranja te prigušenja u materijalu, pokrivajući frekvencijski pojas potreban u praksi.