جلسه دفاع پایان¬نامه کارشناسی ارشد مهندسی مکانیک- گرایش طراحی کاربردی
موضوع: طراحی معکوس فرامواد با استفاده از یادگیری ماشین و روش اجزای محدود
استادان راهنما: دکتر محمد سیلانی - دکتر صالح اکبرزاده
استادان داور: دکتر سید علرضا شهیدی - دکتر محمد مشایخی
چکيده
مواد معماریشده و ساختارهای شبکهای مهندسیشده به دلیل قابلیت تنظیم خواص مکانیکی از طریق طراحی هندسه داخلی، در سالهای اخیر توجه فراوانی را در حوزههایی نظیر هوافضا، زیستپزشکی و سازههای سبکوزن به خود جلب کردهاند. با وجود مزایای این ساختارها، تحلیل و طراحی آنها معمولاً مستلزم اجرای تعداد زیادی شبیهسازی اجزای محدود است که هزینه محاسباتی و زمان اکتشاف فضای طراحی را بهطور قابل توجهی افزایش میدهد. هدف این پژوهش، توسعه یک چارچوب یکپارچه عددی و دادهمحور برای تحلیل، پیشبینی و طراحی معکوس ساختارهای شبکهای ورقمانند است. بدین منظور، چهار ساختار مبتنی بر سطحهای کمینه تناوبی سهبعدی شامل ژیروید، شوارتس نوع ابتدایی، شوارتس نوع الماسی و نئوویوس، به همراه ساختار آگزتیک ریانترنت، در بازههای مختلف چگالی نسبی مدلسازی و با استفاده از روش اجزای محدود تحت شرایط الاستیک خطی تحلیل شدند. اعتبار چارچوب عددی از طریق مقایسه مدول الاستیسیته نسبی با دادههای عددی و تجربی منتشرشده در منابع معتبر بررسی شد و نتیجهها، انطباق مناسبی با رفتار شناختهشده مواد سلولی نشان داد. تحلیل رفتار مکانیکی بیانگر آن بود که ساختار و چگالی نسبی مهمترین عوامل مؤثر بر خواص مکانیکی ساختارها هستند؛ بهگونهای که ساختارهای مبتنی بر سطحهای کمینه تناوبی سهبعدی در مقایسه با ساختار ریانترنت، مقدارهای بالاتری از مدول الاستیسیته نسبی را ارائه کردند، در حالی که ساختار ریانترنت رفتار آگزتیک پایدار و ضریب پواسون منفی را حفظ کرد. همچنین، بررسی قانون مقیاسگذاری گیبسون–اشبی نشان داد که رابطه میان مدول الاستیسیته نسبی و چگالی نسبی از یک قانون توانی پیروی میکند و مقادیر توان مقیاسگذاری استخراجشده در بازه 1٫5 تا 2٫2 قرار دارند که بیانگر غلبه مکانیزمهای خمشی در تغییرشکل این ساختارها و تأییدکننده اعتبار فیزیکی چارچوب توسعهیافته است. بهمنظور کاهش هزینه محاسباتی، مدلهای جانشین مبتنی بر یادگیری ماشین توسعه داده شدند که توانستند روابط غیرخطی میان ساختار، چگالی نسبی و خواص مکانیکی را با دقت بسیار بالا بازنمایی کنند و در اغلب موارد ضریب تعیین بیش از 0٫99 به دست آمد. علاوه بر پیشبینی مستقیم خواص مکانیکی، قابلیتهای طراحی معکوس و انتخاب بهینه ساختار نیز در چارچوب پیشنهادی پیادهسازی شد و نتیجهها نشان داد که این روش قادر است با دریافت خواص مکانیکی هدف، متغیرهای هندسی مناسب و ساختار بهینه را با دقت مطلوب تعیین کند. در مجموع، چارچوب توسعهیافته ضمن حفظ دقت عددی و اعتبار فیزیکی، هزینه محاسباتی فرایند طراحی را بهطور چشمگیری کاهش داده و ابزاری کارآمد برای تحلیل، پیشبینی، طراحی معکوس و بهینهسازی ساختارهای شبکهای و فرامواد مکانیکی فراهم میکند.
کلمات کليدی:
فرامواد، سطحهای کمینه تناوبی سهبعدی، ژیروید، شوارتس نوع ابتدایی، شوارتس نوع الماسی، نئوویوس، ریانترنت، تحلیل اجزای محدود، یادگیری ماشین، مدل جانشین، طراحی معکوس
