В Южно-Уральском государственном университете (ЮУрГУ) разработана нейросеть, способная оценивать прочность металлических конструкций за доли секунды, тогда как классические методы требуют на это несколько часов. По словам представителей вуза, подобных решений в открытых источниках не существует, о чем они проинформировали ТАСС.
Ирина Медведева
Иллюстративное фото сложной металлической конструкции. Источник: tr.pinterest.com
В пресс-службе университета отметили, что проект возглавил кандидат технических наук Алексей Ерпалов, а финансирование осуществлялось за счет Российского научного фонда.
Созданная нейросеть дает возможность промышленным предприятиям своевременно обнаруживать потенциальные угрозы разрушений и перейти от системы планово-предупредительных ремонтов к обслуживанию, основанному на фактическом состоянии конструкций и оборудования.
Суть инновационной технологии
Специалисты пояснили, что главное новшество данной технологии заключается в устранении необходимости длительного анализа множества вариантов, что свойственно традиционным подходам к прочностным расчетам. Нейросеть, прошедшая обучение на проверенных данных, способна предсказывать поведение крупных стальных или алюминиевых конструкций при воздействии нестационарных случайных нагрузок. «Мы не стремимся превзойти классические методы по точности — мы догоняем и обгоняем их по скорости, сохраняя при этом точность на уровне 95–99 процентов», — заявили в университете.
Разумеется, за рамками сухой технической характеристики скрывается куда более глубокая трансформация инженерной культуры. Современное промышленное проектирование, особенно в таких критических областях, как авиастроение, мостостроение или энергетика, зачастую напоминает работу с гигантским конструктором, где каждая новая деталь требует пересчета прочности всей системы.
Традиционные модели, основанные на методе конечных элементов или аналитическом решении задач механики, безупречны в своей детализации, но они требуют значительных вычислительных ресурсов и высокой квалификации персонала. Новая разработка ЮУрГУ ломает этот стереотип: нейросеть не заменяет инженера, а снимает с него рутинное бремя математического моделирования. Теперь специалист может сосредоточиться на поиске оптимальных композиционных решений, а не на ожидании результатов симуляции. Это не просто ускорение — это смена самой логики производственного процесса, где время между идеей и ее проверкой сокращается до секундного отклика.
Два основных вектора применения метода
Как утверждают исследователи, у разработки выделяются два основных направления применения. Первое заключается в ускорении процесса проектирования: инженеру-конструктору больше не требуется быть экспертом в области прочностных расчетов.
Второе направление — формирование цифровых двойников для непрерывного наблюдения за состоянием металлических изделий. «Например, датчики, установленные на прокатном стане, будут отправлять данные о вибрациях нейросети, и она оповестит о риске задолго до того, как дорогостоящее оборудование выйдет из строя», — подчеркнули в вузе.
Таким образом, речь идет о создании «живых» цифровых двойников: не о статичной 3D-модели, а о динамической системе, которая дышит вместе с реальным агрегатом. Представьте себе мост, который сам сообщает диспетчеру о нарастающих деформациях опор, или ветрогенератор, корректирующий угол лопастей в зависимости от прогноза порывов ветра, снятых с системы мониторинга.
Нейросеть Ерпалова способна анализировать не только одномоментные значения напряжений, но и временные ряды вибраций, шумов и тепловых полей. Это позволяет выявлять так называемые «усталостные» повреждения на стадии зарождения микротрещин, которые классические методы расчета не способны уловить в режиме реального времени. Таким образом, оборудование перестает быть пассивным объектом обслуживания и превращается в активного информационного партнера.
Обучение нейросети — ключ к успеху
Ключевым условием успеха данной технологии стала методика обучения нейросети на проверенных данных. Исследователи не пытались научить алгоритм решать уравнения с нуля — это потребовало бы неоправданно сложной архитектуры и огромных выборок о разрушениях, которых в реальности попросту нет.
Вместо этого они использовали синтезированный подход: базу данных, сгенерированную на основе верифицированных классических расчетов для типовых случаев нагружения, а затем обучили сеть находить неявные корреляции между формой детали, спектром нагрузок и конечным напряжением.
Результат показал, что нейросеть научилась «понимать» физику процесса, не погружаясь в дифференциальные уравнения. Это напоминает работу опытного механика, который по звуку мотора может определить неисправность, не разбирая двигатель — он опирается на накопленный опыт, а не на точный расчет каждой шестеренки. Именно этот эвристический метод и позволяет добиться колоссального прироста скорости.
В перспективе промышленность получит метод саморегулирования
Тем не менее, стоит избегать излишней эйфории. Разработчики честно признают, что их цель — не достижение абсолютной точности (100% все равно недостижимо в инженерных расчетах), а стабильное попадание в диапазон 95–99% при многократном сокращении времени.
Это означает, что для ответственных случаев, вроде расчета ядерного реактора или несущих элементов небоскребов, классический подход не утратит актуальности — здесь каждый процент точности может стоить миллиардов рублей или человеческих жизней.
Но для массовых задач — оптимизации кузовов автомобилей, расчета корпусов станков, оценки износа конвейерных лент — предложенный метод станет настоящим прорывом. Он демократизирует доступ к высокоточному расчету, позволяя небольшим предприятиям внедрять цифровые двойники без содержания штата из квалифицированных математиков.
В долгосрочной перспективе эта технология может стать базой для нового поколения систем управления жизненным циклом (PLM). Когда нейросеть будет интегрирована в единый цифровой контур — от этапа эскизного проектирования до списания оборудования, — промышленность получит механизм саморегулирования. Оборудование будет «рекомендовать» собственный режим эксплуатации, минимизируя износ, а проектные бюро — использовать обратную связь с реальных объектов для создания еще более надежных конструкций.
Разработка ЮУрГУ — это не просто очередной алгоритм, а шаг к интеллектуальной инфраструктуре, где каждое стальное изделие будет снабжено «цифровым мозгом». И если 95% точности позволят спасти хотя бы одно предприятие от внеплановой остановки многомиллионного прокатного стана, то уже сейчас можно говорить о коммерческом и социальном успехе проекта.
В продолжение темы читайте статью о перспективах цифровизации экономики «Нейросети в роли нового Госплана? Что предлагает бывший министр экономразвития Максим Орешкин».