پیش بینی حدود نواحی تماس ناقص در مسائل تماس استاتیکی دوبعدی با استفاده از شبکة عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، گروه مهندسی مکانیک، دانشکدة مهندسی مکانیک، دانشگاه صنعتی ارومیه، ارومیه، ایران

2 استادیار، گروه مهندسی هوافضا، دانشکدة مهندسی مکانیک، دانشگاه صنعتی ارومیه، ارومیه، ایران

چکیده

در این تحقیق به بررسی کارآیی شبکة عصبی مصنوعی در حل مسائل مکانیک تماس پرداخته می­شود. مسائل تماس به دلیل پیچیدگی ذاتی و تکرر وقوع در سیستم‌های مهندسی از اهمیت خاصی برخوردار هستند و با وجود توانمندی روش‌های تحلیلی و عددی در حل این مسائل، مشکلات این روش­ها در حل مسائلی با هندسه و بارگذاری­های پیچیده همچنان باقی است. در این تحقیق توانایی شبکة عصبی برای محاسبة حدود نواحی تماس ناقص بدون  اصطکاک برای هندسه­های تک­ناحیه­ای و چندناحیه­ای متقارن مورد بررسی قرار می­گیرد. در این راستا از شبکة Perceptron چند‌لایه و الگوریتم لونبرگ مارکوات در شبکة عصبی نرم­افزار MATLAB استفاده می­شود و مدل بهینة شبکه برای هر مسئله با سعی و خطا به ‌دست می­آید. سپس کارآیی این الگوریتم­ برای هر کدام از موردهای مطالعه، ارزیابی و با سایر روش­ها مقایسه می­شود. نتیجة این تحقیق نشان می­دهد که پاسخ مدل شبکة عصبی بهینه برای ورودی­های تصادفی داخل محدودة داده­های به ‌کار گرفته شده برای یادگیری، برای یک تا سه خروجی، بسیار مطلوب و با دقت بیش از نود درصد در مقایسه با پاسخ روش­های تحلیلی، نیمه‌تحلیلی و عددی می­باشد.

کلیدواژه‌ها

موضوعات


  • Orbanic P, Fajdiga M. A neural network approach to describing the fretting fatigue in aluminium-steel couplings. International Journal of Fatigue. 2003 Mar;25:201–207.
  • Stoffel M, Bamer F, Markert B. Artificial neural networks and intelligent finite elements in non-linear structural mechanics. Thin-Walled Structures. 2018 Oct;131:102-106.
  • Argatov I. Artificial Neural Networks (ANNs) as a Novel Modeling Technique in Tribology. Frontiers in Mecanical Engineering. 2019 May;5:1–9.
  • Hari Manoj Simha C, Biglarbegian M. An assessment of shallow neural networks for stress updates in computational solid mechanics. International Journal for Computational Methods in Engineering Science and Mechanics. 2020 Oct;21:277–291.
  • Aggarwal R, Ugail H, Jha, RK. A deep artificial neural network architecture for mesh free solutions of nonlinear boundary value problems. Applied Intelligence. 2021 May;52:916-926.
  • Mianroodi JR, Siboni NH, Raabe D. Teaching solid mechanics to artificial intelligence—a fast solver for heterogeneous materials. npj Computational Materials. 2021 Jul;7:1–10.
  • Zhang E, Dao M, Karniadakis GE, Suresh S. Analyses of internal structures and defects in materials using physics-informed neural networks. Science Advances. 2022 Feb;8:1–12.
  • خلخالی ا، نیازعلی­زاده مقدم س، طراحی بر أساس قابلیت اطمینان برای محور محرک نانوکامپوزیتی خودرو. مجلۀ مهندسی مکانیک دانشگاه تبریز. ۱۳۹۶، د. ۴۷، ش. ۱، ص ۸۷-۹۳.
  • قاضی­زاده س، بزاززاده م، آقاسید میرزا بزرگ م، طراحی و بهینه­سازی چندهدفة هندسة دهانة ورودی هوا متقارن محوری برای دبی جرمی و عدد ماخ طراحی مشخص. مجلۀ مهندسی مکانیک دانشگاه تبریز. ۱۴۰۰، د. ۵۱، ش. ۴، ص ۵۳۷-۵۴۶.
  • اصغرزاده بناب ا، کلب­خانی ه، بیژنوند س، ارائة روشی مبتنی بر یادگیری ماشین برای تشخیص آسیب­های خطی و غیرخطی سازه با ترکیب ویژگی­های عمیق زمانی و زمان-فرکانس. مجلۀ مهندسی مکانیک دانشگاه تبریز. ۱۴۰۳، د. ۵۴، ش. ۱، ص ۷۱-۸۰.
  • Johnson KL. Contact mechanics. Cambridge University Press; 1985 May 16.
  • Panagiotopoulos PD, Mistakidis E. Neural networks for computing contact problems. Transactions on Engineering Sciences. 1993 Apr;1:45-52.
  • Karnavas YL, Vairis A. Modelling of frictional phenomena using neural networks: Friction coefficient estimation. In 10th International Conference on Applied Simulation and Modelling, Canada 2011.
  • Capitanu L, Vladareanu V, Vladareanu L, Badita LL. A neural network approach to the steel surface wear on linear dry contact, plastic material reinforced with SGF/steel. Jurnal Tribologi. 2019 Sep;22:74-107.
  • Ma J, Dong S, Chen G, Peng P, Qian L. A data-driven normal contact force model based on artificial neural network for complex contacting surfaces. Mechanical Systems and Signal Processing. 2021 Jul;156:107612.
  • Polat A. Estimation of contact length using deep neural. Gumushaneh University Journl of Science. 2023 Apr;13:458-470.
  • Sahin T, Danwitz M, Popp A. Solving forward and inverse problems of contact mechanics using physics-informed neural networks. Advanced Modeling and Simulation in Engineering Sciences. 2024 May;11:11.
  • Goodbrake C, Motiwale S, Sacks M. A Neural network finite element method for contact mechanics. Computer Methods in Applied Mechanics and Engineering. 2024 Feb;419:116671.
  • Popov VL. Contact Mechanics and Friction: Physical Principles and Applications. Springer-Verlag; 2010 Jul 25.
  • Long JM, Wang GF, Feng XQ, Yu Two-dimensional Hertzian contact problem with surface tension. International Journal of Solids and Structures. 2012 Jun;49:1588-1594.
  • Ghanati P, Adibnazari S. Two-dimensional symmetric double contacts of elastically similar materials. Proceedings of the Institution of Mechanical Engineers, Part J: Journal of Engineering Tribology. 2016 Jun;230:1626–1633.
  • Ghanati P, Adibnazari S. A study on the extent of the contact and stick zones in multiple contacts. Archive of Applied Mechanics. 2019 Apr;89:1825–1836.
  • Ghanati P, Adibnazari S, Alrefai M, Sheidaei A. A new approach for closed-form analytical solution of two-dimensional symmetric double contacts and the comparison with finite element method. Proceedings of the Institution of Mechanical Engineers, Part J: Journal of Engineering Tribology. 2018 Aug;232:1025–1035.
  • Kalteh AM. Rainfall-runoff modelling using artificial neural networks (ANNs): modelling and understanding. Caspian Journal of Environmental Sciences. 2008 Jan;6:53-58.
  • Yonaba H, Anctil F, Fortin V. Comparing sigmoid transfer functions for neural network multistep ahead streamflow forecasting. Journal of Hydrologic 2010 Apr;10:275-283.