Денис Клименко - Profile on Academia.edu (original) (raw)

Денис Клименко

Денис Клименко

Alexander Arzamastsev related author profile picture

Sharifah Rahmah related author profile picture

Ivan Drokin related author profile picture

Сергей Поддубняк related author profile picture

Vicky Crawley related author profile picture

Максим Александрович related author profile picture

Николай Серебряков related author profile picture

Tulio Jesus Chirolla Torres related author profile picture

Vitaliy Snytyuk related author profile picture

Vyacheslav Khachumov related author profile picture

Uploads

Papers by Денис Клименко

Research paper thumbnail of Прогнозирование пластичности высокоэнтропийных сплавов

Прикладная математика & Физика

На базе данных из 153 сплавов с использованием подходов машинного обучения была обучена суррогатн... more На базе данных из 153 сплавов с использованием подходов машинного обучения была обучена суррогатная модель для прогнозирования деформации до разрушения на сжатия высокоэнтропийных сплавов. В рамках работы оценивалась точность влияния архитектуры полносвязной искусственной нейронной сети (количество скрытых слоев и количество нейронов в скрытых слоях) на точность прогнозирования. Было показано, что с увеличением количества скрытых слоев абсолютная погрешность снижается – от 5,4% для односвязной нейронной сети до 4,8 % для двухслойной и 4,7% для трехслойной нейронной сети. БлагодарностиИсследования выполнены при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках соглашения от «24» июня 2021г.№075-11-2021-046 (ИГК 000000S407521QLP0002) с АО «ОЭЗ «ВладМиВа»» по комплексному проекту «Организация высокотехнологичного производства экспортноориентируемых медицинских изделий на основе инновационных конструкционных материалов с целью импортозамещения...

Research paper thumbnail of Прогнозирование пластичности высокоэнтропийных сплавов

Прикладная математика & Физика

На базе данных из 153 сплавов с использованием подходов машинного обучения была обучена суррогатн... more На базе данных из 153 сплавов с использованием подходов машинного обучения была обучена суррогатная модель для прогнозирования деформации до разрушения на сжатия высокоэнтропийных сплавов. В рамках работы оценивалась точность влияния архитектуры полносвязной искусственной нейронной сети (количество скрытых слоев и количество нейронов в скрытых слоях) на точность прогнозирования. Было показано, что с увеличением количества скрытых слоев абсолютная погрешность снижается – от 5,4% для односвязной нейронной сети до 4,8 % для двухслойной и 4,7% для трехслойной нейронной сети. БлагодарностиИсследования выполнены при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках соглашения от «24» июня 2021г.№075-11-2021-046 (ИГК 000000S407521QLP0002) с АО «ОЭЗ «ВладМиВа»» по комплексному проекту «Организация высокотехнологичного производства экспортноориентируемых медицинских изделий на основе инновационных конструкционных материалов с целью импортозамещения...

Log In