MASHINASOZLIKNING KUCHLANISH-DEFORMATSIYALANISH OBYEKTLARINING FUNKSIONAL HOLATINI OSHKOR BO‘LMAGAN FUNKSIYALARDAN FOYDALANIB MATEMATIK MODELLASHTIRISH

Admin bo'lib kirish (www.admin.slib.uz)

Tizim sinov (TEST) rejimida ishlamoqda! Murojat uchun @slib_support

Eski talqinga o'tish link

5 январ 2026

Asosiy til:O'zbek

MASHINASOZLIKNING KUCHLANISH-DEFORMATSIYALANISH OBYEKTLARINING FUNKSIONAL HOLATINI OSHKOR BO‘LMAGAN FUNKSIYALARDAN FOYDALANIB MATEMATIK MODELLASHTIRISH

Fan yo'nalishi:

695b9896e7ea8.pdf

PDF

Tadbirkorlik va pedagogika ilmiy-uslubiy jurnali

Maqola chop etish see more

MAQOLA ANNOTATSIYASI

Ushbu maqolada mashinasozlik obyektlarining kuchlanish-deformatsiyalanish holatini matematik modellashtirish masalalari yoritilgan. An’anaviy hisoblash usullari, xususan, chekli elementlar (ChEU) va chekli farqlar (ChFU) usullari muhandislikda keng qo‘llanilayotgan bo‘lsa-da, ularning aniqligi va samaradorligi murakkab holatlarda cheklangan bo‘lishi mumkin. Shu sababli, sun’iy intellekt (SI) texnologiyalaridan foydalanish dolzarb yo‘nalish sifatida e’tirof etilmoqda. Maqolada neyron tarmoqlar, mashina o‘rganish, genetik algoritmlar va mustahkam o‘rganish kabi ilg‘or yondashuvlarning modellashtirish jarayonidagi o‘rni tahlil qilingan. Jumladan, neyron tarmoqlar materiallarning mustahkamlik va charchoq chegaralarini prognoz qilishda, genetik algoritmlar esa optimal konstruktsiyalarni loyihalashda qo‘llaniladi. Mustahkam o‘rganish esa real vaqt rejimida deformatsiya jarayonlarini boshqarish imkonini beradi. Mazkur yondashuvlarning an’anaviy usullar bilan taqqosiy tahlili, ularning afzallik va cheklovlari, shuningdek mashinasozlikda amaliy qo‘llanilish imkoniyatlari ko‘rib chiqilgan. SI asosidagi modellashtirish texnologiyalari hisoblash jarayonini tezlashtirish, natijalar aniqligini oshirish va tajriba xarajatlarini kamaytirish imkonini beradi. Kelgusida ushbu metodlarni yanada takomillashtirish va murakkab tizimlar uchun aqlli boshqaruv modellarini ishlab chiqish muhim vazifalardan biri hisoblanadi.

MUALIFLAR

Teglar

# mathematical modeling# математическое моделирование# численные методы# matematik modellashtirish# машиностроение# mechanical engineering# numerical methods# mashinasozlik# kuchlanish-deformatsiya# oshkor bo‘lmagan funksiyalar# sonli metodlar# напряжение-деформация# нераскрытые функции# stress-strain# undisclosed functions

Maqolani baholang

0

0 ta

Maqola idintifikatorlari

ROI:

https://eroi.uz/11.0187/A0126-0003

DOI:

Mavjud emas

Foydalanilgan adabiyotlar

Zienkiewicz O. C., Taylor R. L. The Finite Element Method for Solid and Structural Mechanics. – Amsterdam: Elsevier, 2005. – P. 736.

Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge: MIT Press, 2016. – P. 775.

Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. 2nd ed. – Cambridge: MIT Press, 2018. – P. 552.

Holland J. H. Adaptation in Natural and Artificial Systems. – Ann Arbor: University of Michigan Press, 1975. – P. 211.

Bathe K. J. Finite Element Procedures. – Upper Saddle River: Prentice Hall, 2006. – P. 1037.

Deo R. C., Kumar N. M. Fatigue Life Prediction Using Machine Learning Techniques // Materials & Design. 2019. Vol. 175. – P. 107798.

Rajasekaran S., Vijayalakshmi Pai G. A. Neural Networks, Fuzzy Logic and Genetic Algorithms: Synthesis and Applications. – New Delhi: PHI Learning, 2017. – P. 454.

LeCun Y., Bengio Y., Hinton G. Deep Learning // Nature. 2015, Vol. 521, No. 7553. – P. 436-444.

Kalogirou S. A. Artificial Intelligence for the Modeling and Control of Combustion Systems: A Review // Progress in Energy and Combustion Science. 2003, Vol. 29, No. 6. – P. 515-566.

Timoshenko S. P., Goodier J. N. Theory of Elasticity. 3rd ed. – New York: McGraw-Hill, 1970. – P. 567.

Yakubov S. X., Jo‘murodova Z. U. Mashinasozlikda sonli modellashtirishning zamonaviy tendensiyalari // Tadbirkorlik va pedagogika ilmiy-uslubiy jurnali. 2024, №2. – B. 55-62.