Utilização do algoritmo de treinamento Levenberg-Marquardt para análise do comportamento à fadiga de materiais compósitos

• Autor(a) principal: Barbosa, Lucas Alexandre Gomes
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/53264
• topic: Materiais compósitos; Fadiga; Levenberg-Marquardt; Redes Neurais Artificiais; Composite materials; Fatigue; Levemberg-Marquardt; Artificial Neural Networks

Este trabalho desenvolve uma nova metodologia de redes neurais artificiais para obtenção de curvas de vida constante à fadiga de compósitos utilizando o algoritmo de treinamento Levemberg Marquard e a técnica de inicialização de pesos sinápticos proposta por Glorot e Bengio. Para tanto verificou-se sua utilidade em um laminado de fibra de vidro designado de DD16, comparando seus resultados com análises anteriores apresentadas na literatura. Objetiva-se com este trabalho a comparação entre os diferentes algoritmos de treinamento e inicialização de maneira a verificar o comportamento das curvas de erro médio quadrático do conjunto de treinamento e do conjunto total de dados, em função das épocas de treinamento, analisar a repetibilidade das redes neurais artificiais desenvolvidas e identificar o comportamento do sinal ruído. Analisou-se quatro casos de treinamento da RNA utilizando o algoritmo Back-Propagation (BP), o algoritmo de Levemberg- Marquardt, com e sem a inicialização de pesos de Glorot. Pelos resultados obtidos, percebeu-se que o algoritmo Levemberg Marquard possui vantagens em relação a metodologias aplicadas anteriormente, tornando o resultado mais confiável, porém ainda é necessário fazer novos testes para outros materiais para confirmação dos resultados. Outro fato observado é que a utilização do método de inicialização de Glorot e Yoshua apresentou melhorias na repetibilidade na RNA treinada com LM e pioras na RNA treinada com BP, quando comparado ao método de inicialização padrão.