30254

پيش‌بيني عمر خستگي كامپوزيت‌هاي لايه‌اي با استفاده از نمودارهاي عمر ثابت و روش هوش مصنوعي

كارشناسي ارشد

مهندسي مكانيك

1400

1402/08/30

محمود مهرداد شكريه

مكانيك

اخيرا توجه زيادي به بررسي رفتار خستگي در كامپوزيت‌ها شده است. استفاده از نمودار‌هاي عمر ثابت يكي از ارزان‌ترين و جامع‌ترين روش‌هاي پيش‌بيني رفتار خستگي در كامپوزيت‌ها است. در مطالعات گذشته، نمودارهاي عمر ثابت به دو شيوه‌ي برازش يك تابع و يا به كمك هوش مصنوعي و با استفاده از داده‌هاي خستگي يك كامپوزيت مشخص در يك يا چند نسبت تنش، ايجادشده‌اند. اما اين نوع از نمودارهاي عمر ثابت، با تغيير لايه‌چيني‌‌، جنس و فركانس بارگذاري كارايي خود را از دست مي‌دادند. هدف از اين تحقيق ايجاد نمودار عمر ثابتي است كه تاثير آرايش‌‌، جنس و فركانس بارگذاري را نيز لحاظ كند. در اين مطالعه دو رويكرد كلي براي هدف مذكور مدنظر قرار مي‌گيرد. در رويكرد اول آموزش شبكه‌ي عصبي با استفاده از داده‌هاي خستگي مواد مختلف كامپوزيتي انجام مي‌شود. خروجي شبكه عصبي منجر به ساخت نمودار عمر ثابتي مي‌شود كه رفتار كلي كامپوزيت‌ها را هنگام مواجه با بارهاي خستگي ياد گرفته است. گرچه در نمودارهاي حاصل از اين رويكرد اثر آرايش‌‌، جنس و فركانس بارگذاري لحاظ شده، اما اين نوع از نمودارها تنها مناسب يك تخمين اوليه بوده و دقت بالايي ندارند. در روريكرد دوم براي آموزش شبكه‌ي عصبي علاوه بر داده‌هاي خستگي مواد مختلف كامپوزيتي از داده‌هاي خستگي كامپوزيت مورد مطالعه نيز استفاده مي‌شود. در اين رويكرد شبكه‌ي عصبي بدست آمده منجر به نمودار عمر ثابتي مي‌شود كه علاوه بر اينكه رفتار كلي كامپوزيت‌ها را هنگام مواجه با بارهاي خستگي ياد گرفته، بلكه از دقت بالاتري نيز در مقايسه با نمودار رويكرد اول برخوردار است. در مواردي كه اهميت پيش‌بيني رفتار خستگي بالا بوده و انجام آزمون‌هاي خستگي صرفه‌ي اقتصادي داشته باشد (مانند صنعت هواپيمايي) استفاده از رويكرد دوم پيشنهاد مي‌شود، اما در موارد معمولي استفاده از رويكرد اول توصيه مي شود كه در آن نياز به هيچ آزمون خستگي نيست.

1402/10/03

Fatigue life prediction of layered composites using constant life diagrams and artificial intelligence method

11/20/2024 12:00:00 AM

Recently, a lot of attention has been paid to the investigation of fatigue behavior in composites. Using constant life diagrams is one of the cheapest and most comprehensive methods for predicting fatigue behavior in composites. In past studies, Constant Life Diagrams (CLDs) were created by two ways of fitting a function or with the help of artificial intelligence and using the fatigue data of a specific composite in one or more stress ratios. But this type of CLDs lost their efficiency by changing the layering, material and loading frequency. The purpose of this research is to create a CLDs that takes into account the effect of arrangement, material and frequency of loading. In this study, two general approaches are considered for the mentioned goal. In the first approach, neural network training is done by using the fatigue data of different composite materials. The output of the neural network leads to the construction of a CLD that has learned the general behavior of composites when faced with fatigue loads. Although the effect of porcelain layer, material, and loading frequency are included in the graphs resulting from this approach, these types of graphs are only suitable for a preliminary estimate and do not have high accuracy. In the second procedure, in addition to the fatigue data of various composite materials, the fatigue data of the studied composite is also used to train the neural network. In this approach, the obtained neural network leads to a CLD, which, in addition to learning the general behavior of composites when faced with fatigue loads, also has higher accuracy compared to the graph of the first approach. In cases where the importance of predicting fatigue behavior is high and it is economical to perform fatigue tests (such as in the aviation industry), the use of the second approach is recommended. Still, in normal cases, the use of the first approach is recommended, where no fatigue test is needed.

خستگي , كامپوزيت , نمودار عمر ثابت , هوش مصنوعي

Fatigue , Composite , Constant life diagram , artificial intelligence

Seyyed Mohammad Javad Kazemi Alavi

Mahmood Mehrdad Shokrieh