32998

مدل‌سازي عددي ساختارهاي متخلخل چند مقياسه با خواص ويسكوالاستيك جهت كاربرد جذب انرژي

كارشناسي ارشد

مهندسي مكانيك

1399

29/11/1402

محمد جواد اشرفي

ندارد

مهندسي مكانيك

قابليت اتلاف انرژي در مواد ويســـكوالاســـتيك در كنار ديگر ويژگيهاي مكانيكي آنها باعث توجه به اين مواد در جذب انرژي صوتي شده است. علاوه بر خاصيت ذاتي اتلاف در اين مواد، تعبيه حفرههايي با ويژگيهاي هندســي و افزايش ناهمگنيها از جمله روشهاي ارتقاي قابليت جذب انرژي صــوتي در اين مواد است. مواد متخلخل سـلولي، از پراكندهشـدن ريزحفرههايي در ماده شـكل ميگيرند. اين مواد متخلخل با توجه به ايجاد حجم و سيعي از ناهمگني در پو ششهاي جاذب صوت مورد توجهاند. به طور مر سوم از تعبيه حفرههايي با ابعاد بزرگ )در حدود طول موج( در لاستيكها در ساخت پوششهاي جاذب صوت زير آب اســــتفاده ميشــــود. تعبيه چنين حفرههاي بزرگي در ماده متخلخل )داراي ريزحفره( يك ســــاختار متخلخل چند مقياســه پديد ميآورد كه مدلســازي عددي و طراحي آن به ســبب اختلاف مقياس چالش برانگيز بوده و باعث محدودسازي مدلسازيها به حفرههاي بزرگ در ماده همگن شده است. در اين تحقيق، در ابتدا با اســتفاده از مدلســازي المان محدود، اثر ريزحفرهها و مقدار تخلخل بررســي شدهاست. در تخلخل بيش از ٪5منحني جذب صوت داراي يك قله با مقدار بيشينه جذب است. در ساختار متخلخل چند مقياسه نيز افزايش تخلخل باعث انتقال فركانس تشديد به فركانسهاي پايينتر ميشـود. به جهت، كاهش هزينه محاسـباتي در مدلسـازي سـاختارهاي متخلخل چندمقياس از رويكرد ماده معادل اسـتفاده شـد كه در عين حفظ دقت توانسـته اسـت تعداد درجات آزادي مدل را تا 20برابر كاهش دهد و زمان اجرا را به كمتر از 1دقيقه رساند. براي پيشبيني منحني جذب مواد متخلخل بر اســـاس دريافت توزيع تخلخل، يك شـــبكه عصـــبي با دقت ٪96٫7ارائه شد، همچنين با بكارگيري روشهاي طراحي معكوس در قالب شبكه عصبي پياپي، مدل يادگيري ماشــــين طراحي معكوس با دقت ٪97جهت پيشبيني توزيع تخلخل متناظر با منحني ضريب جذب صوت دلخواه ارائه شد

1403/11/20

Numerical Modeling of Multi-Scale Porous Structures with Viscoelastic Properrties for Energy Absorption

2/17/2026 12:00:00 AM

The ability to dissipate energy in viscoelastic materials, along with their other mechanical properties, has drawn attention to these materials in absorbing sound energy. In addition to the inherent loss property of these materials, embedding holes with geometric features and increasing inhomogeneities are among the ways to improve the ability to absorb sound energy in these materials. Cellular porous materials are formed from the dispersion of micropores in the material. These porous materials are considered due to the creation of a large amount of heterogeneity in sound-absorbing coatings. Embedding holes with large dimensions (around the wavelength) in rubber intensifies the hole and improves the sound absorption coefficient, which is a common method. The embedding of such large holes in the porous material (with micro-pores) creates a multi-scale porous structure, whose numerical modeling and design are challenging due to the difference in scale and has caused the modeling to be limited to large holes in the homogeneous material. In this research, the effect of microholes and the amount of porosity has been investigated using finite element modeling. At a porosity of more than 5%, the sound absorption curve has a peak value of approximately 1. In the multi-scale porous structure, the increase in porosity causes the resonance frequency to shift to lower frequencies. To reduce the computational cost of modeling multi-scale porous structures, the equivalent material approach was used, which, while maintaining accuracy, has been able to reduce the number of degrees of freedom of the model and, as a result, the computational cost by 18 times and reduces the execution time to less than 1 minute. To predict the absorption curve of porous coatings by receiving the porosity distribution, a neural network was presented with an accuracy of 96.7%, also by applying inverse design methods in the form of a sequential neural network, a machine learning model of inverse design was presented with an accuracy of 97%.

ويسكوالاستيك , متخلخل , جذب انرژي صوتي , المان محدود , يادگيري ماشين

viscoelastic , porous , sound energy absorption , finite element method , machine learning

Hossein Mokhtari

Mohammad Javad Ashrafi