19616

16950

كارشناسي ارشد

طراحي كاربردي

اصفهان : دانشگاه صنعتي اصفهان

1403

{چهار}،94ص.:مصور، جدول،نمودار

1403/06/07

كتابنامه

مهندسي مكانيك

مهندسي مكانيك

1403/06/10

23057076

در اين پژوهش؛ با رهيافت شبكه‌هاي عصبي مصنوعي يك روش طراحي براي يك ماده كامپوزيتي زمينه فلزي با رويكرد كاهش آسيب ارائه مي‌گردد. ماده كامپوزيتي زمينه فلزي از آلومينيوم و فولاد با كسر حجمي 20 درصد تشكيل شده است. در اين طراحي؛ چيدمان ذرات فولاد با رهيافت شبكه‌هاي عصبي مصنوعي به‌گونه‌اي پيشنهاد مي‌شود كه آسيب نرم حاصل از بارگذاري به حداقل ممكن برسد. براي اين هدف؛ يك صفحه كامپوزيتي زمينه فلزي آلومينيوم و فولاد تحت بارگذاري‌هاي كششي و برشي قرار مي‌گيرد و چيدمان هندسي ذرات استخراج مي‌گردد. در اين پژوهش؛ ابتدا مدل آسيب نرم لمتر به كمك يك زيربرنامه در نرم‌افزار اجزاي محدود آباكوس پياده‌سازي شده است و ميدان‌هاي كرنش، تنش و آسيب در يك جسم تحت بارگذاري استخراج مي‌شود. از نتايج مدل‌سازي اجزاي محدود براي داده‌هاي آموزشي يك شبكه عصبي وابسته به زمان (از نوع دروازه‌اي) استفاده مي‌شود. اين شبكه عصبي توانايي پيش‌بيني مقدار آسيب باتوجه‌به كرنش ورودي را خواهد داشت. سپس شبكه عصبي مصنوعي پيشنهادي در يك مسئله محك مورد راستي‌آزمايي قرار مي‌گيرد. در ادامه از اين شبكه عصبي مصنوعي براي طراحي معكوس ماده كامپوزيتي زمينه فلزي سود برده مي‌شود. چيدمان هندسي ذرات كامپوزيت به‌گونه‌اي كه ماده بيشترين استحكام را داشته باشد و يا به‌عبارت‌ديگر آسيب ماده كمينه باشد، استخراج مي‌گردد. در طراحي معكوس، چيدمان‌هاي تصادفي ماده كامپوزيتي انتخاب و كرنش‌هاي متناظر ذرات استخراج و به‌عنوان ورودي به شبكه عصبي مصنوعي آموزش‌ديده شده، داده مي‌شود و مقادير آسيب ذرات به‌عنوان خروجي استخراج مي‌شود. در نهايت با الگوريتم پيشنهادي؛ چيدمان بهينه براي ذرات ماده كامپوزيتي با حداقل آسيب پيشنهاد مي‌شود.

This research presents a novel design methodology for metal-based composites using artificial neural networks (ANN) to minimize damage. The composite material consists of aluminum and steel with a volume fraction of 20%. The proposed methodology focuses on optimizing the arrangement of the steel particles to reduce the ductile damage caused by the loading conditions. To achieve this, an aluminum-steel metal matrix composite plate is subjected to tensile and shear loads, which allows the extraction of the geometric arrangement of the particles. First, Lemaitre's ductile damage model is implemented by a subroutine in the finite element software Abaqus, which allows the extraction of strain, stress and damage fields in the loaded object. The results obtained from the finite element modeling serve as training data for a time-dependent neural network that is able to predict damage levels based on the input strain values. The ANN is then validated using a benchmark problem. After this validation, the ANN is used for the inverse design of the metal-based composite. In this phase, random arrangements of composite particles are generated, the corresponding strains are extracted and input into the trained ANN to obtain damage values for the particles. Ultimately, the proposed algorithm determines the optimal arrangement of the composite particles that minimizes the damage and thus increases the overall strength of the material.

محمد مشايخي

محمد سيلاني , مهران مرادي غريبوند