پديد آورنده :
كريميان‌مهر، عليرضا
عنوان :
خصيصه‌يابي مكانيكي ساختارهاي سلولي پادكشسان با استفاده از يادگيري ماشين
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
طراحي كاربردي
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
يازده، 78ص. : مصور، جدول، نمودار
توصيفگر ها :
ساختار سلولي لانه‌زنبوري بازگشتي , ضريب پواسون منفي , مدل‌سازي لايه‌گذاري ذوب‌شونده , رهايش از تنش , شبيه‌سازي اجزاي محدود , شبكهي عصبي مصنوعي پرسپترون چندلايه
تاريخ ورود اطلاعات :
1403/03/01
رشته تحصيلي :
مهندسي مكانيك
تاريخ ويرايش اطلاعات :
1403/03/07
چكيده فارسي :
ضريب پواسون يكي از ويژگي‌هاي مكانيكي كاربردي است كه براي استفاده از مواد و قطعات در صنعت مورد بررسي قرار مي‌گيرد. به صورت طبيعي مواد مورد استفاده در صنايع، ضريب پواسون مثبت از خود به نمايش مي‌گذارند. ضريب پواسون منفي يك ويژگي منحصر به فرد محسوب شده و باعث بروز رفتارهاي مكانيكي ويژه و برتر مي‌شود. يكي از روش‌هاي دستيابي به ضريب پواسون منفي در مهندسي مكانيك، طراحي يك روند تغيير شكل پيچيده‌ي منجر به اين امر است. به كمك پيشرفت روش‌هاي ساخت افزودني و امكان ساخت قطعه با پيچيدگي هندسي بالا در يك دهه‌ي اخير، ساخت و توسعه‌ي ساختارهاي سلولي پادكشسان جهت دستيابي به ويژگي‌هاي برتر اين فراساختارها به شدت مورد توجه قرار گرفته‌است. از سوي ديگر پيشرفت در استفاده از هوش مصنوعي در زمينه‌هاي مختلف مهندسي با توجه به قابليت‌هاي آن روز به روز در حال گسترش مي‌باشد. انواع روش‌هاي مبتني بر هوش مصنوعي توانايي حل چالش‌ها و بهينه‌سازي فرآيندهاي مهندسي را در مقياس بزرگي از موارد دارند. به همين دليل ورود هوش مصنوعي به زمينه‌هاي مختلف مهندسي به پيشرفت آن زمينه كمك شاياني مي‌كند. پژوهش حاضر به بررسي رفتار هايش از تنش ساختارهاي لانه‌زنبوري بازگشتي به كمك شبكهي عصبي مصنوعي پرسپترون چندلايه پرداخته است. ساختارهاي لانه زنبوري بازگشتي به دليل نمايش ضريب پواسون منفي داراي اهميت ويژه بوده و هوش مصنوعي در مشخصه‌يابي مكانيكي اين فراساختارها، در كاهش هزينه‌هاي فرآيندهاي تجربي عددي و زمان مورد استفاده براي اين امر بسيار كارآمد بوده است. به همين دلايل در اين پژوهش رفتار رهايش از تنش ساختار لانه‌زنبوري پادكشسان براي نوآوري بيشتر به وسيله‌ي هوش مصنوعي مشخصه‌يابي شده‌است. ماده‌ي مصرفي در اين پژوهش پلي لاكتيك اسيد با نام تجاري PLA+ و روش ساخت مدل‌سازي لايه‌گذاري ذوب‌شونده مي‌باشد. در قسمت اول خواص مكانيكي ماده‌ي مصرفي با انجام آزمون كشش تك‌محوره براي مشخص‌كردن مدول يانگ ماده و اجراي آزمون رهايش از تنش براي استخراج سري پروني كه بيان‌گر ويژگي ويسكوالاستيك ماده مي‌باشد، انجام شده‌است. سپس در نرم‌افزار آباكِس رفتار رهايش از تنش فراساختار سلولي مورد بحث، به شكل نمودارهاي نيرو – زمان شبيه‌سازي شده‌است. براي صحت‌سنجي عمل‌كرد مدل اجزاي محدود شبيه‌سازي كننده، از آزمون‌هاي تجربي بر ساختار سلولي پادكشسان لانه‌زنبوري بازگشتي استفاده شده‌است. با نمايش اختلاف حدود 20% بين مدل شبيه‌سازي كننده و آزمون‌هاي تجربي صورت‌گرفته، از اين مدل براي ساخت مجموعه داده‌ي رفتار رهايش از تنش ساختارهاي سلولي پادكشسان لانه‌زنبوري با شكل‌هاي هندسي متفاوت در بازه‌هاي مشخص، استفاده شده‌است. بر مجموعه‌ي داده‌اي گردآوري شده، شبكهي عصبي پرسپترون چندلايه آموزش داده‌شده تا اين هوش مصنوعي ويژگي مكانيكي بيان‌شده را در بازه‌هاي تعريفي، بادقت قابل قبولي پيش‌بيني كند. در نهايت پس از ارزيابي اين هوش مصنوعي، مشخص مي‌شود كه اين مدل توانايي پيش‌بيني رفتار رهايش از تنش ساختار لانه‌زنبوري بازگشتي را در چارچوب تغييرات تعريف‌شده، دارد.
چكيده انگليسي :
The Poisson's ratio is an important mechanical property that is investigated across all industries for the use of materials and parts. Materials usually have a positive Poisson's ratio, but achieving a negative Poisson's ratio is a special feature that results in special and superior mechanical behavior. One method of achieving a negative Poisson's ratio in mechanical engineering is the development of complex deformation processes. In recent years, advances in additive manufacturing processes have enabled the design and development of auxetic cell structures to exploit their superior properties. At the same time, the use of artificial intelligence (AI) in engineering fields is rapidly increasing due to its capabilities. AI-based methods provide solutions and optimizations for various engineering processes, which promotes their integration into different engineering fields. This research focuses on investigating the stress relaxation behavior of reentrant honeycomb structures using a multilayer artificial neural network. Reentered honeycomb structures, which are characterized by their negative Poisson's ratio, benefit from the efficiency of AI in mechanical characterization. This efficiency reduces the cost and time associated with numerical experimental methods. In this study, the stress relaxation behavior of auxetic, reentrant honeycomb structures is characterized using AI for further innovation. Polylactic acid (PLA+), which is produced using fused deposition modeling, is used as the test material. First, the mechanical properties of the material are evaluated by uniaxial tensile tests to determine the modulus of elasticity and stress relaxation tests to extract the Prony series, which represents the viscoelastic properties. Subsequently, the stress relaxation behavior of the cellular structure is simulated using the Abaqus software and represented via force-time diagrams. Experimental tests on the cellular auxetic structure confirm the performance of the finite element model. With a deviation of about 20% between the simulated model and the experimental tests, the model is used to create a data set showing the stress relaxation behavior for different geometric shapes at defined intervals.
استاد راهنما :
احسان فروزمهر , محمد سيلاني
استاد مشاور :
محسن بدرسماي
استاد داور :
علي مالكي , مهدي سلماني تهراني
