عنوان
همبستگي نرم‌افزار آباكوس و شبكه‌هاي عصبي عميق براي يادگيري معادلات ساختاري مواد كامپوزيتي
نويسنده اصلي
امين‌زاده، مسعود
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
مهندسي مكانيك
مقطع تحصيلي
كارشناسي ارشد
چكيده
در اين پژوهش، محاسباتي با استفاده از شبكه‌هاي عصبي مصنوعي براي پيش‌بيني معادلات ساختاري مواد كامپوزيتي ارايه شده است. تحليل سازه‌ها با روش اجزاي‌محدود معمولا شامل مراحل مدل‌سازي هندسه، اعمال بارگذاري‌ها و شرايط مرزي، شبكه‌بندي اجزاي‌محدود، حل عددي معادلات حاكم و استخراج نتايج (مانند تنش و تغيير شكل) تحت شرايط كاري مختلف است. اين فرايند در شرايطي كه يكي از شرايط كاري قطعه‌كار تغيير كند بايد مراحل فوق تكرار گردد و نياز است به صورت مداوم ماتريس سختي محاسبه شود كه مي‌تواند فرآيندي زمان‌گير و هزينه‌بر باشد. امروزه با رشد توان محاسباتي سيستم‌هاي رايانه‌اي و سرعت بالاي روش‌هاي داده محور؛ تمايل به سازوكارهاي داده محور در پيش‌بيني ماتريس سختي رو به ازدياد است. در اين پژوهش سعي شد به كمك روش داده‌محور شبكه‌هاي عصبي مصنوعي، رويكرد متفاوتي نسبت به روش‌هاي اجزاي محدود در پيش‌بيني ماتريس سختي ارائه شود. شبكه‌هاي عصبي مصنوعي اين قابليت را دارند تا الگوي بين داده‌هاي ورودي و خروجي در يك سيستم را كشف كنند و براي پيش‌بيني داده‌هاي ورودي جديد مورد استفاده قرار بگيرند. استفاده از روش‌هاي داده محور در پديده‌هاي پيچيده مستلزم دسترسي به تعداد قابل توجه داده‌ها به منظور آموزش صحيح شبكه و عملكرد مطلوب آن است. در صورت استفاده از داده‌هاي مستقيم (كرنش-تنش) براي آموزش شبكه عصبي مصنوعي، به دليل اينكه داده‌هاي كرنش-تنش اندازه‌گيري‌شده در يك جهت يكنواخت هستند و اطلاعات كافي براي معادلات ساختاري با ابعاد بالا (مانند دو‌بعدي يا سه‌بعدي) فراهم نمي‌كنند، منجر به تست‌هاي شبيه‌سازي نسبتا زياد و افزايش هزينه محاسباتي مي‌شود. براي امكان‌پذير كردن يادگيري معادلات ساختاري ناشناخته توسط شبكه‌هاي عصبي عميق، در اين روش، شبكه عصبي عميق بر اساس داده‌هاي غيرمستقيم، مانند نيروها و جابه‌جايي‌هاي محدود كه مي‌توانند مستقيماً از آزمايش‌ها اندازه‌گيري شوند، آموزش داده مي‌شوند. براي ساخت داده‌هاي غيرمستقيم (نيروها و جابجايي‌ها) از آباكوس استفاده شد. جابجايي‌هاي ساخته شده به عنوان مقادير مرجع به‌كار برده شدند. در ادامه شبكه‌هايي طراحي شد كه پارامترهاي ماتريس سختي را پيش‌بيني مي‌كنند. اين پارامترها در اختيار آباكوس قرار مي‌گيرند و آباكوس براساس اين پارامترها جابجايي‌ها را محاسبه مي‌كند. تابع جريمه به كمك اين جابجايي‌ها و جابجايي‌هاي مرجع و براساس ميانگين مربعات خطا محاسبه مي‌شود. اين فرايند تا رسيدن تابع جريمه به مقدار آستانه ادامه مي‌يابد. صحت اجراي اين روش با يك مدل مكعبي و يك مدل مكعبي كامپوزيت مورد ارزيابي قرار گرفت كه در هر دو مدل خواص مواد در اكثر موارد با خطاي كمتر از 5/0٪ پيش‌بيني شد.
شماره ركورد
234803
گرايش رشته تحصيلي
طراحي كاربردي
دانشكده
مهندسي مكانيك
دانشگاه
دانشگاه صنعتي اصفهان