Noise Theory and Practice 2412-8627 10.56408/2412-8627.2026.38.70.003 Обзор физических моделей вязкоупругих демпферов и перспективы применения искусственного интеллекта при их проектировании Review of physical models of viscoelastic dampers and prospects for the application of Artificial Intelligence in their design Артеменко Д.Е. Артеменко Д.Е. Artemenko D.E. e5m1201@voenmeh.ru Балтийский государственный технический университет «ВОЕНМЕХ» им. Д.Ф. Устинова Санкт-Петербург RUS Baltic State Technical University "VOENMEH" 30 09 2026 30 07 2026 21 09 2026 12 3 29 46

В статье рассматриваются современные представления о демпфирующих устройствах, основанных на применении вязкоупругих материалов, а также анализ и возможности применения методов искусственного интеллекта для подбора их параметров в процессе их проектирования. Рассмотрены основные типы демпферов по механизмам рассеяния энергии (вязкий, гистерезисный, конструкционный, фрикционный), приведена их классификация по методу управления и ключевым техническим характеристикам. Основное внимание уделено математическим моделям вязкоупругих материалов – от простейших моделей Максвелла, Кельвина-Фойгта, Пойнтинга–Томсона, до обобщённых и моделей с дробными производными. Показаны ограничения традиционных подходов, вызванные вычислительной трудоёмкостью и сложностью идентификации параметров нелинейных моделей. Предложена двухэтапная методика использования искусственного интеллекта, основанная на применении сверточных нейронных сетей для подбора материала и физически-информированных нейронных сетей для идентификации параметров, и синтеза структуры модели демпфера. Обозначены основные проблемы, заключающиеся в недостаточном количестве и качестве датасетов, «разрыве реальности», сложности обучения физически-информированных нейронных сетей и интерпретируемости результатов, а также предложены возможные пути их решения.

The article discusses modern concepts of viscoelastic damping devices and the analysis of possibilities for using artificial intelligence methods to select their parameters in the process of their design. The main types of dampers by energy dissipation mechanisms (viscous, hysteresis, structural, friction) are considered, their classification by control methods and key technical characteristics are given. The focus is on mathematical models of viscoelastic materials – from the simplest models of Maxwell, Kelvin-Voigt, Poynting-Thompson, to generalized and models with fractional derivatives. The limitations of traditional methods caused by the difficulty of identifying the parameters of computational and nonlinear models are shown. Proposed a two-stage methodology for using artificial intelligence, based on the use of convolutional neural networks for selecting material and physically-informed neural networks for identifying parameters and synthesizing the structure of the damper model. The main problems are identified in the insufficient number and quality of datasets, “reality gap”, the complexity of learning physically informed neural networks and the interpretability of results, as well as possible ways to solve them.

 вязкоупругий демпфер модель Пойнтинга–Томсона искусственный интеллект физически-информированные нейронные сети (PINN) идентификация параметров viscoelastic damper Poynting-Thomson model artificial intelligence physics‑informed neural networks (PINN) parameter identification ГОСТ Р 55184-2012. Демпферы гидравлические железнодорожного подвижного состава. Общие технические условия / утв. приказом Федерального агентства по техническому регулированию и метрологии от 26.11.2012 № 1163-ст. / разработан Открытым акционерным обществом «Научный и конструкторско-технологический институт подвижного состава» (ОАО «ВНИКТИ») – III, 11 c.; 29 см. – Текст: непосредственный. ГОСТ 17053.1-80. Амортизаторы корабельные АКСС-М. Технические условия [Текст] : государственный стандарт Союза ССР / утверждён Постановлением Госстандарта СССР от 30 мая 1980 г. № 2446. – Москва: Издательство стандартов, 1980. – 18 с. ОСТ 1 03612-72. Демпферы. Типы и основные параметры, технические требования [Текст]: отраслевой стандарт. – 1972. – 9 с. Иванов, Николай Игоревич. Инженерная акустика. Теория и практика борьбы с шумом: учебник / Балтийский государственный технический университет "ВОЕНМЕХ" им. Д.Ф. Устинова. - 5. - Москва: Издательская группа "Логос", 2020. - 432 с. - ISBN 978-5-98704-659-3 : Б. ц. EN 15129:2010. Anti-seismic devices [Text]: European Standard. – Brussels: CEN, 2010. – 171 p. Садек, Ф. Пассивные устройства рассеивания энергии для сейсмостойких зданий / Ф. Садек, Б. Мохраз, А. У. Тейлор, Р. М. Чунг. – Ноябрь 1996. – 66 с. – (NISTIR‑5923; PB97132054). VDI 3830 «Damping of materials and members»: в 5 ч. / VDI-Gesellschaft Produkt und Prozessgestaltung. – URL: https://www.vdi.de/en/home/vdi-standards/details/vdi-3830-blatt-1-damping-of-materials-and-members-classification-and-survey. – Текст: электронный. Baz A. M. Active and passive vibration damping / Amr M. Baz. – Hoboken, NJ, USA: John Wiley & Sons, Inc., 2019. – xxxii, 719 c. – ISBN 978-1-118-48192-9. Патент № 32332 Республика Казахстан, МПК B25J 11/00, F16F 13/00, F16F 15/00. Пространственная амортизационная (демпфирующая) система: № 2015/0711.1: заявл. 14.09.2022; опубл. 21.07.2023 / Бисембаев К., Орынбаева Н. С. ; заявитель и патентообладатель Некоммерческое акционерное общество «Университет имени Шакарима города Семей». – 5 с.: ил. – Текст: непосредственный. Zare Estakhraji S. I. A thorough comparison between measurements and predictions of the amplitude dependent natural frequencies and damping of a bolted structure / S. I. Zare Estakhraji, M. Wall, J. Capito, M. S. Allen // Journal of Sound and Vibration. – 2022. – Vol. 541. – Art. 117397. – DOI: 10.1016/j.jsv.2022.117397. Shirai Y. Energy response of a passive variable friction damper and numerical simulation on the control effects for high rise buildings / Y. Shirai, K. Nakata, A. Toyooka // Structural Control and Health Monitoring. – 2022. – Vol. 29, iss. 12. – Art. e3124. – DOI: 10.1002/stc.3124. Li Q.-Q. Characterization of Dynamic Mechanical Properties of Viscoelastic Damper Based on Physics Constrained Data Driven Approach / Q.-Q. Li, Z.-D. Xu, Y.-R. Dong, Z.-H. He // International Journal of Structural Stability and Dynamics. – 2023. – Vol. 24. – Art. 2450071. – DOI: 10.1142/S0219455424500718. Liu Q. Seismic Optimization of Fluid Viscous Dampers in Cable Stayed Bridges: A Case Study Using Surrogate Models and NSGA II / Q. Liu, Z. Liu, J. Zhao, Y. Lei // Buildings. – 2025. – Vol. 15. – Art. 15(9):1446. – DOI: 10.3390/buildings15091446. Yucesan Y. A. Adjusting a torsional vibration damper model with physics informed neural networks / Y. A. Yucesan, F. A. C. Viana, L. Manin, J. Mahfoud // Mechanical Systems and Signal Processing. – 2021. – Vol. 154. – Art. 107552. – DOI: 10.1016/j.ymssp.2020.107552. Milićević P. Data generation framework for inverse modeling of nonlinear systems in structural dynamics applications / P. Milićević, O. Altay // Acta Mechanica. – 2023. – Vol. 235. – P. 1493–1515. – DOI: 10.1007/s00707-023-03532-3. Hoffmann J. Machine learning in a data limited regime: Augmenting experiments with synthetic data uncovers order in crumpled sheets / J. Hoffmann, Y. Bar Sinai, L. M. Lee, J. Andrejevic // Science Advances. – 2019. – Vol. 5. – Art. eaau6792. – DOI: 10.1126/sciadv.aau6792. Bonfanti A. The Challenges of the Nonlinear Regime for Physics Informed Neural Networks / A. Bonfanti, G. Bruno, C. Cipriani // Advances in Neural Information Processing Systems 37. – 2024. – DOI: 10.52202/079017-1324. Dhurandhar A. Trust Regions for Explanations via Black Box Probabilistic Certification / A. Dhurandhar, S. Haldar, D. Wei, K. Natesan R. // ICML 2024. – 2024. – DOI: 10.48550/arXiv.2402.11168.