جلسه دفاع پایان نامه کارشناسی ارشد (آقای مسعود امین زاده)

موضوع:  همبستگی نرم افزار آباکوس و شبکه های عصبی عمیق برای یادگیری معادلات ساختاری مواد کامپوزیتی

ارائه دهنده: آقای مسعود امین‌زاده

استاد راهنما: دکتر محمد مشایخی

استادان داور: دکتر محمدرضا فروزان - دکتر محمد سیلانی

لینک ورود به جلسه: https://nikan.iut.ac.ir/rooms/vcq-ncl-ju3-qkt/join

چکیده:

در این پژوهش محاسباتی با استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی معادلات ساختاری مواد کامپوزیتی ارایه شده است. معادلات ساختاری معمولا با استفاده از روش اجزای محدود ساخته می‌شوند و شامل بخش‌های مختلفی از جمله مدل‌سازی هندسه قطعه، بارگذاری‌های مختلف در شرایط کاری متفاوت سپس پیاده‌سازی و استخراج نتایج است. این فرایند در شرایطی که یکی از شرایط کاری قطعه‌کار تغییر کند باید مراحل فوق تکرار گردد و نیاز است به صورت مداوم ماتریس سختی محاسبه شود که می‌تواند فرآیندی زمان‌گیر و هزینه‌بر باشد. امروزه با رشد توان محاسباتی سیستم‌های رایانه‌ای و سرعت بالای روش‌های داده محور؛ تمایل به سازوکارهای داده محور در پیش‌بینی ماتریس سختی رو به ازدیاد است. در این پژوهش سعی شد به کمک روش داده‌محور شبکه‌های عصبی مصنوعی، رویکرد متفاوتی نسبت به روش‌های اجزای محدود در پیش‌بینی ماتریس سختی ارائه شود. شبکه‌های عصبی مصنوعی این قابلیت را دارند تا الگوی بین داده‌های ورودی و خروجی در یک سیستم را کشف کنند و برای پیش‌بینی داده‌های ورودی جدید مورد استفاده قرار بگیرند. استفاده از روش‌های داده محور در پدیده‌های پیچیده مستلزم دسترسی به تعداد قابل توجه داده‌ها به منظور آموزش صحیح شبکه و عملکرد مطلوب آن است. در صورت استفاده از داده‌های مستقیم (کرنش-تنش) برای آموزش شبکه عصبی مصنوعی، به دلیل اینکه داده‌های کرنش-تنش اندازه‌گیری‌شده در یک جهت یکنواخت هستند و اطلاعات کافی برای معادلات ساختاری با ابعاد بالا (مانند دو‌بعدی یا سه‌بعدی) فراهم نمی‌کنند، منجر به تست‌های شبیه‌سازی نسبتا زیاد و افزایش هزینه محاسباتی می‌شود. برای امکان‌پذیر کردن یادگیری معادلات ساختاری ناشناخته توسط شبکه‌های عصبی عمیق، در این روش، شبکه عصبی عمیق بر اساس داده‌های غیرمستقیم، مانند نیروها و جابه‌جایی‌های محدود که می‌توانند مستقیماً از آزمایش‌ها اندازه‌گیری شوند، آموزش داده می‌شوند. برای ساخت داده‌های غیرمستقیم (نیروها و جابجایی‌ها) از آباکوس استفاده شد. جابجایی‌های ساخته شده به عنوان مقادیر مرجع به‌کار برده شدند. در ادامه شبکه‌هایی طراحی شد که پارامترهای ماتریس سختی را پیش‌بینی می‌کنند. این پارامترها در اختیار آباکوس قرار می‌گیرند و آباکوس براساس این پارامترها جابجایی‌ها را محاسبه می‌کند. تابع جریمه به کمک این جابجایی‌ها و جابجایی‌های مرجع و براساس میانگین مربعات خطا محاسبه می‌شود. این فرایند تا رسیدن تابع جریمه به مقدار آستانه ادامه می‌یابد. صحت اجرای این روش با یک مدل مکعبی و یک مدل مکعبی کامپوزیت مورد ارزیابی قرار گرفت که در هر دو مدل خواص مواد در اکثر موارد با خطای کمتر از 0/5٪ پیش‌بینی شد.