مدل آسيب پيوسته لمتر همراه با پارامتر لود براي پيش بيني آسيب نرم با استفاده از شبكه عصبي مصنوعي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

در اين پژوهش يك روش محاسباتي با استفاده از شبكه‌هاي عصبي مصنوعي براي پيش‌بيني آسيب نرم برمبناي مدل آسيب لمتر اصلاح شده ارائه شده است. پيش بيني آسيب معمولا با استفاده از روش اجزا محدود صورت مي‌گيرد و شامل‌ بخش‌هاي مختلفي از جمله مدل‌سازي هندسه قطعه، بارگذاري‌‌هاي مختلف در شرايط كاري مختلف، انتخاب مدل آسيب مناسب، ايجاد يك مدل اجزاي محدود، سپس پياده‌سازي و استخراج نتايج است. اين فرآيند در صورتي كه يكي از شرايط كاري قطعه كار تغيير كند بايد مراحل فوق تكرار گردد و نياز است به طور مداوم پارامتر آسيب رصد گردد كه مي‌تواند فرآيندي زمان‌گير و پرهزينه باشد. امروزه با رشد توان محاسباتي سيستم‌هاي رايانه‌اي و سرعت بالاي روش‌هاي داده محور، تمايل به سازوكارهاي داده محور در پيش‌بيني آسيب رو به ازدياد است. در اين پژوهش سعي شد به كمك روش‌ داده محور شبكه‌هاي عصبي مصنوعي، رويكرد متفاوتي نسبت به روش‌ اجزا محدود در پيش‌بيني تانسور تنش‌ و آسيب ارائه شود. مدل‌هاي آسيب پيوسته در سال‌هاي اخير بسيار مورد توجه قرار گرفته‌اند و پژوهش‌هاي زيادي در اين زمينه انجام شده است. دراين تحقيق، از مدل بهبود يافته آسيب لمتر با پارامتر لود براي محاسبه آسيب سود برده شده است. استفاده از روش‌هاي داده محور در پديده‌هاي پيچيده مستلزم دسترسي به تعداد قابل توجه داده به منظور آموزش صحيح شبكه و عملكرد مطلوب آن است. محاسبه تانسور تنش‌ و آسيب در ماده به تاريچخه بارگذاري ماده وابسته است و تابع مقادير كرنش كل و كرنش پلاستيك است از اين رو براي كاهش تعداد شبيه‌سازي‌ و استخراج داده‌هاي بيشتر، در هر تحليل، علاوه بر استفاده از يك نقطه از قطعه كار براي استخراج داده‌هاي تانسور تنش و آسيب، از نقاط گوناگون قطعه استفاده شد. مدل آسيب لمتر همراه با پارامتر لود در يك زيربرنامه مادي در نرم افزار آباكوس پياده‌سازي ‌شد. در ادامه برنامه‌ديگري جهت اتوماتيك كردن تحليل‌ها در آباكوس تدوين گرديد. براي 400 نمونه داده بارگذاري تحليل‌ها انجام و مقادير كرنش كل، كرنش پلاستيك، تانسور تنش و آسيب استخراج ‌شد. در ادامه ساختار شبكه يعني؛ تعداد لايه‌ها، تعداد نورون‌ها و مدل مناسب مساله معرفي گرديد. از شبكه‌هاي عصبي يادگيري عميق بازگشتي (واحد بازگشتي گيتي) براي يادگيري معادلات ساختاري و رفتار ماده استفاده شده كه در آن تانسور كرنش‌ كل و كرنش‌ پلاستيك، ورودي‌هاي شبكه عصبي و مقادير تانسور تنش و پارامتر آسيب، خروجي شبكه عصبي هستند. واحد‌هاي بازگشتي گيتي حافظه‌دار هستند و بخشي از تاريچخه پارامترهاي ورودي شبكه را به خاطر ميسپارند. پارامترهاي الگوريتم يادگيري شبكه عصبي براي دستيابي به عملكرد بهتر، با سعي و خطا تعيين شده‌اند. براي بررسي توانمندي شبكه و دقت آن، قسمتي از داده‌ها كه براي آموزش شبكه استفاده نشده بود، براي ارزيابي و محك شبكه استفاده شد. نمودارهاي خطا حاصل از نتايج مدل شبكه عصبي مصنوعي و نتايج مدل اجزا محدود، عملكرد مناسب و پيش‌بيني واقع‌بينانه شبكه عصبي مصنوعي را نشان داد.

223529

طراحي كاربردي

مهندسي مكانيك

دانشگاه صنعتي اصفهان