Application of artificial neural networks in parametrical investigations of the energy flow and synchronization.

Abstract

Dynamics of nonlinear systems is a very complicated problem with many aspects to be recognized. Numerous methods are used to investigate such systems. Their careful analysis is connected with long-time simulations. Thus, there is great need for methods that would simplify these processes. In the paper, an application of Artificial Neural Networks (ANNs) supporting the recognition of the energy flow and the synchronization with use of Impact Maps is introduced. This connection applies an idea of the Energy Vector Space in the system with impacts. An energy flow direction change with the synchronization as a transitional state is shown. A new type of the index allowing one to control the system dynamic state is introduced. Results of the numerical simulations are used in the neural network teaching process. Results of a comparison of the straight impact map simulation and the neural network prediction are shown. Prediction of system parameters for the energy flow synchronization state with use of the neural network is presented.

Dynamika układów nieliniowych jest bardzo komplikowanym zagadnieniem z wieloma aspektami wciąż pozostającymi bez rozwiązania. Do badań takich układów stosuje się wiele różnych metod. Wnikliwa analiza związana jest najczęściej z bardzo czasochłonnymi symulacjami numerycznymi. Istnieje w związku z tym duże zapotrzebowanie na opracowanie metod upraszczających ten proces. W artykule pokazano zastosowanie sztucznych sieci neuronowych (ANN) wspomagających badania przepływu i synchronizacji energii. W badaniach zastosowano Mapy Uderzeń, będące efektem przedstawienia dynamiki układu z uderzeniami w przestrzeni energetyczno-wektorowej. Pokazano zmiany przepływu energii z przejściowym stanem synchronizacji. Wprowadzono nowy rodzaj parametru pozwalającego na określanie stanu dynamicznego układu z uderzeniami. Wyniki przeprowadzonych symulacji numerycznych zostały wykorzystane w procesie uczenia sztucznej sieci neuronowej. Przedstawiono następnie porównanie wyników symulacji i rozwiązania uzyskanego z sieci neuronowej oraz przewidywania parametrów układu, dla których występuje synchronizacja przepływu energii.