بهينه‌‌سازي چندهدفه رفتار فضاسازه متناوب جهت كاهش جرم و افزايش استحكام سازه به كمك مدل جانشين يادگيري ماشين GNN

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

در اين پژوهش رفتار فضاسازه‌هاي متناوب موردبررسي قرار گرفته و سعي شده با كمك روش‌هاي نوين يادگيري ماشين، سازه با رفتار بهينه طراحي گردد. در حقيقت هدف يافتن سازه‌اي است كه در عين سبكي، استحكام خمشي و پيچشي بالايي داشته باشد. روش كار اين‌گونه است كه ابتدا، يك نمونه اجزا محدود از فضاسازه در نرم‌افزار آباكوس تحت بارگذاري موردنظر شبيه‌سازي شد و اعتبارش از طريق مقايسه با نتايج ارائه شده در مقالات تأييد شد. هر سلول واحد از اين فضاسازه، از تعدادي نقاط بنيادي و نقاط نابنيادي (شناور) تشكيل شده است. نقاط بنيادين كه هشت عدد هستند، در رئوس سلول واحد كه يك مكعب است قرار گرفته‌اند و موقعيت‌شان هميشه ثابت است. نقاط شناور كه بين يك تا پنج عدد مي‌توانند باشند، درون مكعب در هر مكاني مي‌توانند حضور داشته باشند. تعيين تعداد اين نقاط شناور و موقعيت آن‌ها درون مكعب از متغيّرهاي مسئله طراحي است. پس از مشخص‌شدن تعداد نقاط شناور و محل آنها، نخست بايد تصميم گرفت كه بين كدام نقاط، چه بنيادي و چه شناور، اتصال تير برقرار باشد و از سويي اندازه سطح مقطع هريك از اين اتصالات نيز تعيين شود و اين دو مورد نيز از متغيّرهاي طراحي هستند. مقطع همه تيرها از نوع استوانه‌اي است. پس از مشخص‌شدن مسئلة موردنظر و متغيّرها، با استفاده از روش نمونه‌برداري ابرمكعب لاتين، تعداد مناسبي نمونه براي ايجاد مجموعه‌داده توليد شد و با استفاده از نرم‌افزار آباكوس و اسكريپت پايتون، رفتار اين نمونه‌ها تحت بارگذاري‌هاي خمشي و پيچشي شبيه‌سازي شد و خروجي هر سازه يعني وزن سازه، استحكام خمشي، و استحكام پيچشي آن استخراج گرديد. در مرحله بعد، با استفاده از اين مجموعه‌داده يك مدل يادگيري ماشين توسعه داده شد كه قادر است سه خروجي موردنظر براي هر فضاسازة دلخواهي را بادقت خوبي پيش‌بيني نمايد. مدل يادگيري ماشيني استفاده شده از نوع شبكه عصبي گرافي است. اين نوع از شبكه عصبي مناسب مسائلي است كه متغيّرها ماهيت گراف دارند، همانند فضاسازه كه نقاط بنيادي و شناور همان گره‌ها هستند و اتصال مابين آن‌ها حكم يال‌هاي يك گراف را دارد. اين شبكه عصبي از گراف‌هايي با تعداد گره‌ها و يال‌ها گوناگون پشتيباني مي‌كند درحالي‌كه چنين قابليتي در انواع ديگر شبكه‌هاي عصبيِ كلاسيك وجود ندارد؛ چراكه تعداد ورودي‌ها بسته به تعداد گره‌ها و يال‌ها تغيير مي‌كند. درنهايت اين مدل شبكه عصبي مبتني بر گراف پيش‌بيني رفتار هر سازه با هر تعداد گره و يال را در كمترين زمان، ممكن مي‌سازد. در مرحلة بعد، با استفاده از روش بهينه‌سازي الگوريتم ژنتيك با مرتب‌سازيِ غيرِمغلوب چندهدفه و به كمك مدل يادگيري ماشين، سازه‌اي بهينه با وزن كم و استحكامات خمشي و پيچشي بالا به دست آمد كه عملكرد بهتر آن در مقايسه با سازه ارائه شده در مقالات پيشين مشهود است. اين شبيه‌سازي‌ها و تحليل‌ها براي فضاسازة از جنس پليمرِ PLA انجام شد كه ماده رفتاري همسان‌گرد دارد؛ سپس در مرحلة بعد، مجدد همه اين مطالعات و شبيه‌سازي‌ها براي فضاسازة ساخته شده از ماده با رفتار همسان‌گرد عرضي يعني PLA تقويت‌شده با الياف كربن (CFRP) هم تكرار شد تا رفتار فضاسازه براي حالت مادة ناهمسان‌گرد هم سنجيده شود. درپايان نتايج اين دو حالت نيز با يكديگر مقايسه شد.

236832

طراحي كاربردي

مهندسي مكانيك

دانشگاه صنعتي اصفهان