جلسه دفاع پایان نامه کارشناسی ارشد (آقای محمدصادق میرزائی سیچانی)

موضوع:  پيش‌بينی آسیب همسانگرد در مواد نرم با رهیافت شبکه عصبی فیزیک‌آگاه

ارائه دهنده: محمد صادق میرزائی سیچانی

استاد راهنما: دکتر محمد مشایخی

استادان داور: دکتر محمدرضا فروزان، دکتر علیرضا شهیدی

چکیده:

شبکه‌های عصبی مصنوعی این قابلیت را دارند تا الگو‌ی بین داده‌های ورودی و خروجی را کشف نمایند و برای پیش‌بینی داده‌های ورودی جدید مورد استفاده قرار بگیرند. خروجی شبکه‌های عصبی الزاماً صحیح نبوده و می‌توانند با قیود فیزیکی مسئله در تناقض باشد. شبکه‌های عصبی فیزیک‌آگاه گونه از شبکه‌های عصبی هستند که ضمن فرایند آموزش شبکه عصبی، وزن‌‌ها و بایاس‌ها به گونه‌ای تنظیم می‌شوند که قیود فیزیکی حاکم را به مسئله اعمال نمایند. این کار با تعریف کردن روابطی مبتنی بر فیزیک مسئله در تابع هزینه شبکه عصبی انجام می‌گیرد. در پژوهش حاضر شبکه عصبی به گونه‌ای آموزش دید که بتواند مسیر تنش و آسیب را به‌ازای مسیرهای کرنش مختلف پیش‌بینی کند. در تعیین ساختار شبکه عصبی ماهیت داده‌ها مهم هستند از این‌رو به علت وابستگی کرنش به تاریخچه، نرون‌های بازگشتی معرفی و در ادامه نسخه‌ی جدیدتری از نرون‌های بازگشتی به نام واحد بازگشتی دروازه‌ای مورد استفاده قرار گرفت. برای تهیه داده‌های لازم جهت انجام فرایند آموزش شبکه، از مسیرهای کرنش تصادفی استفاده شد و محاسبه تنش و آسیب متناظر با این مسیرها به کمک مدل عددی آسیب لمتر صورت پذیرفت. این مدل که برای پیش‌بینی رشد آسیب در مواد نرم مورد استفاده قرار می‌گیرد، در سابروتین UMAT نرم‌افزار آباکوس پیاده‌سازی شد و صحت اجرای آن با یک مسئله محک مورد ارزیابی قرار گرفت. پس از اطمینان از صحت مدل عددی آسیب و  تکمیل داده‌‌ها جهت انجام آموزش نظارتی شبکه،  فرایند آموزش شبکه در حالت متعارف در نرم افزار متلب انجام شد. در ادامه با اضافه نمودن روابط فیزیک‌آگاه در محاسبات تابع هزینه شبکه عصبی، فرایند آموزش با یکسان ماندن سایر شرایط مجدداً تکرار شد و نتایج دو حالت با یکدیگر مقایسه شد. در این مقایسه شبکه عصبی فیزیک‌آگاه، در مقایسه با شبکه عصبی متعارف، قیود فیزیکی حاکم بر رشد آسیب را در نقاط بیشتری از مسئله برقرار کرد. با تعریف خطا بر مبنای قانون ترمودینامیکی رشد آسیب، این خطا در مقایسه عملکرد دو شبکه با 300 داده آزمون، از 10.34% به 6.03% کاهش یافت.