جلسه دفاع پایان نامه کارشناسی ارشد (آقای محمدصادق رفیعی)

موضوع:  پیاده‌سازی مکانیک آسیب پیوسته محلی با رویکرد شبکه عصبی اجزای محدود یکپارچه

ارائه دهنده: محمد صادق رفیعی وردنجانی

استادان راهنما: دکتر محمد مشایخی

استادان مشاور: 

استادان داور: دکتر محمد سیلانی _ دکتر علیرضا شهیدی

چکیده:

استفاده از تحلیل اجزای محدود، روشی کارآ برای تحلیل مسائل مهندسی است. در این روش لازم است ماتریس سختی سازه به همراه بعضی روابط پیچیده محاسبه گردد. این محاسبه زمان‌بر بوده و هزینه محاسباتی زیادی را به خود اختصاص می‌دهد. برای رفع این چالش، در این پژوهش از رویکرد یادگیری ماشین و به‌طور خاص شبکه‌های عصبی مصنوعی بهره گرفته شده است. در این رویکرد: یک شبکه عصبی مصنوعی جایگزین محاسبه مستقیم می‌گردد و با دقت بالایی آن را پیش‌بینی می‌کند. این شبکه با آموزش بر مجموعه داده‌هایی از تحلیل‌هایی که بر مبنای روش اجزای محدود استوار هستند، قادر خواهند بود پاسخ یک مدل اجزای محدود را با سرعت بالا و دقت قابل‌قبول تخمین بزند. تلفیق روش اجزای محدود با توانمندی‌های شبکه عصبی، نه تنها باعث کاهش بار محاسباتی و زمان حل می‌شود، بلکه راه را برای توسعه ابزارهای هوشمند مهندسی در حل کاربردهای صنعتی هموار می‌سازد. از این رو در این پایاننامه، این روش برای تحلیل سازه‌های دوبعدی به کار گرفته شده است تا علاوه بر حفظ دقت، فرآیند مدل‌سازی و تحلیل را تسهیل نماید. هدف از این پژوهش، پیش‌بینی ماتریس سختی و سپس محاسبه آسیب محلی با رویکرد ناهبسته بوده است. ماتریس سختی توسط شبکه عصبی پیش‌بینی گردید و محاسبه آسیب در یک برنامه خانگی گنجانده شده است. به لحاظ کمی، در مقایسه نسبی به صورت تقسیم درایه پیش‌بینی بر درایه متناظر آن در محاسبه ماتریس سختی، 0/92 تا 0/95 بوده است. مقایسه نتایج محاسبه آسیب از برنامه‌ خانگی با خروجی نرم‌افزار آباکس، بسته به مقدار و رشد آسیب، خطا از 2 تا 17 درصد بدست آمد. بدیهی است که این مقدار خطا به دلیل محدودیت‌های اعمال شده بر برنامه خانگی که در پژوهش توضیح داده شده، رخ می‌دهد.

کلمات کلیدی

اجزای محدود، شبکه عصبی کانولوشن، آسیب ترد، پیش‌بینی ماتریس سختی