عیبیابی ورق چند لایه کامپوزیتی با آسیب جدایی بینلایهای با استفاده از آموزش شبکه عصبی بر مبنای پاسخ ارتعاشات آزاد | ||
| مهندسی مکانیک مدرس | ||
| Article 26, Volume 17, Issue 5, 1396, Pages 221-231 PDF (1.51 M) | ||
| Authors | ||
| محمد جواد محمودی* 1; ارازمحمد فخری اینچه برون2 | ||
| 1دانشگاه شهید بهشتی، پردیس فنی مهندسی شهید عباسپور، دانشکده مهندسی مکانیک و انرژی | ||
| 2دانشجوی کارشناسی ارشد، مهندسی مکانیک، دانشکده مهندسی مکانیک و انرژی، دانشگاه شهید بهشتی، تهران | ||
| Abstract | ||
| در این پژوهش از شبکه عصبی پس انتشار خطا برای عیبیابی ورق کامپوزیتی چندلایه با جدایی بینلایهای استفاده میشود. نحوه عیبیابی به این صورت است که ابتدا تحلیل ارتعاشات آزاد ورق کامپوزیتی بر اساس روش عددی اجزای محدود انجام میگیرد و فرکانسهای طبیعی در مودهای خاص به ازای مدلهای مختلفی از آسیب جدایی بینلایهای (اندازه، هندسه و موقعیت منطقه با جدایی بینلایهای) بدست میآید و سپس فرکانسهای طبیعی استخراجی از مدل به عنوان ورودی و پارامترهای اندازه، هندسه و موقعیت نیز به عنوان خروجی شبکه عصبی درنظر گرفته میشوند. ورق کامپوزیتی 8 لایه، بر اساس تئوری سهبعدی الاستیسیته و با درنظر گرفتن المانهای شش وجهی آجری مدل میشود لذا در مدلسازی ورق کامپوزیتی تاثیر تغییر شکلهای برشی عرضی درنظر گرفته میشود. بهدلیل پیچیدگی فرایند حاکم بر مسئله ورق کامپوزیتی با جدایی بینلایهای از قابلیتهای نرمافزار آباکوس برای مدلسازی استفاده میشود. همچنین نتایج عددی حاصل از روش اجزای محدود با دادههای عددی و آزمایشگاهی در دسترس مورد مقایسه و اعتبارسنجی قرار میگیرد. از دو روش آموزش لونبرگ–مارکوآرت و پس انتشار خطای انعطافپذیر برای آموزش شبکه عصبی و مقایسه پاسخها استفاده میشود. نتایج پیشبینی با روش آموزش لونبرگ–مارکوآرت تطابق بسیار خوبی با مقادیر بدست آمده از روش اجزای محدود دارد. بعد از آموزش شبکه عصبی، از تعمیم این مدل برای پیشبینی و عیبیابی آسیب در ورق کامپوزیتی استفاده میشود. | ||
| Keywords | ||
| ورق کامپوزیتی چندلایه; آسیب جدایی بینلایهای; عیبیابی بر مبنای آنالیز مودال; شبکه عصبی پس انتشار خطا | ||
|
Statistics Article View: 282 PDF Download: 283 |
||
| Number of Journals | 45 |
| Number of Issues | 2,160 |
| Number of Articles | 24,560 |
| Article View | 19,396,764 |
| PDF Download | 15,843,176 |