12325

بررسي مسائل معكوس در مكانيك جامدات محاسباتي مبتني بر يادگيري ماشين

1401

دكتر جواد مرزبان راد

امروزه شبيه سازي عددي مبتني بر روش اجزاي محدود به طور گسترده اي براي پيش بيني رفتار مواد استفاده ميشود. يكي از اجزاي اصلي اين شبيه سازي ها، قوانين مواد (Material Laws) هستند كه روابط رياضي حاكم بر رفتار مواد را ارائه مي كنند. اين در حالي است كه پيدا كردن يك مدل مناسب براي شرح رفتار يك ماده خاص (همسانگرد، ناهمسانگرد، الاستيك، ويسكو الاستيك، الاستو پلاستيك و ...) امري آسان نيست. براي نيل به هدف بالا رويكرد كلاسيك مراحل مقابل را در پيش ميگيرد: اولا، فرموله كردن يك مدل مناسب. ثانيا، كاليبره كردن پارامتر هاي مدل بر اساس داده هاي تجربي حاصل از آزمايشات و ثالثا، تطبيق مدل با داده هاي تجربي به منظور بررسي دقت توصيف نتايج حاصل از آزمايش با استفاده از آن. اين در حالي است كه اگر ‌مدل در اين توصيف دقت لازم را نداشته باشد بايد به طور مكرر اصلاح و آزمايش شود تا زماني كه يك مدل مناسب به دست آيد. بديهي است كه روش هايي اين چنيني بسيار زمان براند و نياز به اتوماسيون و جايگزيني دارند. در عصر كنوني ميتوان با اعمال الگوريتم هاي يادگيري ماشين بر روي مجموعه اي از مدل هاي متفاوت تشكيل شده در جهت انتخاب بهترين آنها براي توصيف داده هاي ورودي بهره برد و به صورت خودكار از آن براي كشف مدل هاي مواد استفاده كرد. در همين راستا هدف از اين سمينار نيز بررسي مدل مواد (به صورت عام تر مسائل معكوس (Inverse Problems) در مكانيك جامدات همچون خواص مواد و...) با استفاده از كاربردهاي يادگيري ماشين مي باشد.

6/27/2023 12:00:00 AM

79688

1402/05/31

Study of Inverse Problems in Computational Solid Mechanics Based on Machine Learning Approaches

مسائل معكوس , يادگيري ماشين , مكانيك محاسباتي مبتني بر داده , مدل مواد , پاسخ مواد

Inverse problems , Machine Learning , Data-driven computational mechanics , Constitutive Modelling , Material response