بهینه‌سازی شکست ساختار شبکه‌ای با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران

2 دانشیار، گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران

3 دانش‌آموخته دکتری، گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران

چکیده

در این پژوهش یک ساختار شبکه‌ای 4×4 مربعی از جنس تیتانیوم با استفاده از پارامترهای مرتبط تحت نیروی کششی بهینه‌سازی شده است. ساختار شبکه‌ای یک ساختار چهارضلعی با طول ضلع L و زاویه ϴ می‌باشد و ترتیب شکست دیواره‌ها با استفاده از نرم‌افزار متلب و روش المان محدود مقایسه شده است. در پژوهش حاضر تابع هدف در بهینه‌سازی، افزایش جذب انرژی و به حداقل رساندن بیش‌ترین تنش در نظر گرفته شده است و تأثیر پارامترهای اندازه اضلاع و زوایای مختلف در این ساختار مورد بررسی قرار گرفته است. 100 حالت مختلف برای مقادیر L و ϴ با خروجی مساحت زیر نمودار (انرژی جذب‌شده) و بیش‌ترین تنش و کرنش از نرم‌افزار متلب به‌دست آمده است. با داشتن داده‌های ورودی (L و ϴ) و خروجی (انرژی جذب‌شده و بیش‌ترین تنش)، شبکه عصبی آموزش داده شده و با استفاده از مدل رگرسیون در شبکه عصبی میزان پیش‌­بینی با دقت بالای 99 درصد به‌دست آمده است که از دقت بالایی برخوردار می‌باشد. تابع ارتباط بین ورودی‌ها و خروجی‌های شبکه عصبی از نرم‌افزار متلب به‌دست آمده است و بهینه‌­سازی این ساختار شبکه‌ای 4×4 با استفاده از الگوریتم ژنتیک صورت گرفته است. تابع هدف در این پژوهش افزایش جذب انرژی و به حداقل رساندن بیش‌ترین تنش می‌باشد تا سازه شبکه‌ای بیش‌ترین استحکام را با در نظر گرفتن پارامترهای مورد بررسی داشته باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing the failure analysis of a network structure using artificial neural network and genetic algorithm

نویسندگان [English]

  • Noushin Ghanadi 1
  • Amin Farrokhabadi 2
  • Shahram Hosseini 3
1 Department of Mechanical Engineering, TarbiatModares University, Tehran, Iran
2 Department of Mechanical Engineering, TarbiatModares University, Tehran, Iran
3 Department of Mechanical Engineering, TarbiatModares University, Tehran, Iran
چکیده [English]

In this study, a 4×4 square network structure made of titanium has been optimized under tensile force using relevant parameters. The network structure is a quadrilateral structure with a side length of L and ϴ, and the fracture order of the walls has been compared using MATLAB software and simulation with Abaqus software, and the results of the fracture order of the structure match each other. In the present study, the objective function in optimization is to increase energy absorption and minimize the maximum stress, and the effect of parameters such as side lengths and various angles in this structure has been investigated. 100 different cases have been obtained for values of L and ϴ with output of area under the curve (energy absorbed) and maximum stress and strain using MATLAB software. With input data (L and ϴ) and output data (energy absorbed and maximum stress), a neural network has been trained and a regression model has been used in the neural network to achieve a prediction accuracy of over 99%, which is a high level of accuracy. The relationship function between input and output of the neural network has been obtained using MATLAB software, and the optimization of this 4×4 network structure has been carried out using the genetic algorithm. The objective function in this study is to increase energy absorption and minimize the maximum stress so that the network structure has the highest strength considering the examined parameters.

کلیدواژه‌ها [English]

  • Machine Learning
  • Genetic Algorithm
  • Artificial Neural Network
  • Fracture
  • Titanium
  • Lattice Structure

مراجع

[1] M. Benedetti, A. Plessis, R. Ritchie, M. Dallago, S. Razavi, F. Berto, Architected cellular materials: A review on their mechanical properties towards fatigue-tolerant design and fabrication, Materials Science and Engineering: R: Reports, Vol. 144, pp. 100606, 2021. https://doi.org/10.1016/j.mser.2021.100606
[2] P. Heinl, L. Müller, C. Körner, R. F. Singer, F. A. Müller, Cellular Ti–6Al–4V structures with interconnected macro porosity for bone implants fabricated by selective electron beam melting, Acta biomaterialia, Vol. 4, pp. 1536-1544, 2008. https://doi.org/10.1016/j.actbio.2008.03.013
[3] A. Montillet, J. Comiti, J. Legrand, Application of metallic foams in electrochemical reactors of filter-press type Part I: Flow characterization. Journal of Applied Electrochemistry, Vol. 23, pp. 1045-1050, 1993. http://dx.doi.org/10.1007/BF00254149
[4] K. Boomsma, D. Poulikakos, F. Zwick, Metal foams as compact high performance heat exchangers, Mechanics of Materials, Vol. 35, pp. 1161 - 1176, 2003. https://doi.org/10.1016/j.mechmat.2003.02.001
[5] T. J. Lu, H. A. Stone, M. F. Ashby, Heat transfer in open-cell metal foams, Acta materialia, Vol. 46, pp. 3619-3635, 1998. https://doi.org/10.1016/S1359-6454(98)00031-7
[6] A. E. Simone, L. J. Gibson, Effects of solid distribution on the stiffness and strength of metallic foams. Acta Materialia, Vol. 46, No. 6, pp. 2139-2150, 1998. https://doi.org/10.1016/S1359-6454(97)00421-7
[7] L. Uğur, H. Duzcukoglu, O. S. Sahin, H. Akkuş, Investigation of impact force on aluminium honeycomb structures by finite element analys, Journal of Sandwich Structures & Materials, Vol. 22, pp. 87-103, 2020. https://doi.org/10.1177/1099636217733235
[8] Q. Zhang, X. Yang, P. Li, G. Huang, S. Feng, C. Shen, B. Han, X. Zhang, F. Jin, F. Xu, T. J. Lu, Bioinspired engineering of honeycomb structure - Using nature to inspire human innovation. In Progress in Materials Science Vol. 74, pp. 332-400, 2015. https://doi.org/10.1016/j.pmatsci.2015.05.001
[9] B. Farahmand Azar, Optimization of Honeycomb Beams with Genetic Algorithm, First International Conference on Urban Construction Near Active Faults, Tabriz-Iran, September 2019. (in Persian)
[10] A. Kulakovskyi, B. Chapuis, O. Mesnil, N. R. Bedreddine, O. D’almeida, A. Lhémery, Defect imaging on CFRP and honeycomb composite structures by guided waves generated and detected by a sparse PZT array, In Structural Health Monitoring, DEStech Publications, Inc, 2017. http://dx.doi.org/10.12783/shm2017/13888
[11] Z. Zhao, C. Liu, H. Wang, J. W. Simon, J. Wang, Y. Li, Crushing behavior of curved Nomex honeycombs under combined shear-compression loads, International Journal of Mechanical Sciences, Vol. 228, pp. 107480, 2022. http://dx.doi.org/10.1016/j.ijmecsci.2022.107480
[12] Y. Wu, L. Yang, The effect of unit cell size and topology on tensile failure behavior of 2D lattice structures, International Journal of Mechanical Sciences, Vol. 170, pp. 105342, 2020. https://doi.org/10.1016/j.ijmecsci.2019.105342
[13] Q. Alonso, N. A. Fleck, Damage tolerance of an elastic-brittle diamond-celled honeycomb. Scripta Materialia, Vol. 56, pp. 693-696, 2007. http://dx.doi.org/10.1016/j.scriptamat.2006.12.027
[14] S. Daynes, J. Lifton, W.F. Lu, J. Wei, S. Feih, Fracture toughness characteristics of additively manufactured Ti–6Al–4V lattices, European Journal of Mechanics-A/Solids, Vol. 86, pp. 104170, 2021. https://doi.org/10.1016/j.euromechsol.2020.104170
[15] A. R. Namvar, A. R. Vosoughi, Design optimization of moderately thick hexagonal honeycomb sandwich plate with modified multi-objective particle swarm optimization by genetic algorithm (MOPSOGA), Composite Structures, Vol. 252, pp. 6135–6145, 2020. https://doi.org/10.1016/j.compstruct.2020.112626
[16] M. Mallick, A. Chakrabarty, N. Khutia, Design optimization of honeycomb sandwich panel through Genetic Algorithm, Materials Todays, Vol. 54, pp. 690-696, 2022. https://doi.org/10.1016/j.matpr.2021.10.388
[17] D. Knittel, M. Nouari, Milling diagnosis using machine learning approaches, Vishno and AVE conferences, InSurveillance, 2019. https://dx.doi.org/10.1051/meca/2020053
[18] J. Y. Ang, M. S. Abdul Majid, A. Mohd Nor, S. Yaacob, M. J. M. Ridzuan, First-ply failure prediction of glass/epoxy composite pipes using an artificial neural network model, Composit Structure, Vol. 200, pp. 579-588, 2018. https://doi.org/10.1016/j.compstruct.2018.05.139
[19] S. Yan, X. Zou, M. Ilkhani, A. Jones, An efficient multiscale surrogate modelling framework for composite materials considering progressive damage based on artificial neural networks, Composites Part B: Engineering, Vol. 194, pp. 108014, 2020. https://doi.org/10.1016/j.compositesb.2020.108014
[20] G. Balokas, S. Czichon, R. Rolfes, Neural network assisted multiscale analysis for the elastic properties prediction of 3D braided composites under uncertainty, Composite Structures, Vol. 183, pp. 550-562, 2018. https://doi.org/10.1016/j.compstruct.2017.06.037

فایل ها

هم رسانی

ارجاع به این مقاله

آمار