مدل سازی انرژی ضربه ی فولادهای مرتبه ای با استفاده از شبکه های عصبی مصنوعی

نویسنده

دانشگاه آزاد اسلامی واحد ساوه

چکیده

در این مقاله, انرژی ضربهëی فولادهای مرتبهëای در دماهای مختلف با استفاده از شبکهëهای عصبی مصنوعی مدلëسازی شده است. فولادهای مرتبهëای با استفاده از چیدمانëها و ضخامتëهای مختلف فولادهای ساده کربنی و زنگëنزن، به عنوان الکترود اولیه فرآیند ذوب دوباره سربارهëای الکتریکی، تولید میëشوند. نفوذ اتمëهای مختلف از درون قطعات اولیه فولادی به یکدیگر سبب تولید نواحی مرتبهëای فریتی و آستنیتی میëگردد. شش نوع مدل با استفاده از شبکهëهای عصبی مصنوعی که تفاوت آنها در تعداد لایهëهای مخفی و نورونëهای هر لایه بود، ارائه شد. پارامترهای ورودی عبارتند از نوع فولاد مرتبهëای، حالت ترک، ضخامت ناحیه مرتبهëای فریتی، ضخامت ناحیه مرتبهëای آستنیتی، فاصله ترک از لایهëهای بینیتی یا مارتنزیتی و دما. مجموعاً 140 سری داده آزمایشی جمعëآوری، به 98، 21 و 21 سری به طور تصادفی تقسیم و به ترتیب توسط مدلëهای پیشنهادی آموزش داده، ارزیابی و آزمایش شدند. نتایج نشان دادند که مدلی حاوی 2 لایه مخفی دارای به ترتیب 14 و 12 نورون در لایهëهای مخفی اول و دوم سبب حصول بهترین نتایج خواهد شد. این شبکه دارای ضریب همبستگی، خطای مطلق و خطای ریشه مجموع مربعات به ترتیب 1، 6175/0 و 5482/0در فاز آموزش، 9982/0، 4666/4 و 4347/3 در فاز ارزیابی و 9955/0، 9462/10 و 2716/5 در فاز آزمایش است. اگرچه نتایج حاصل از مدلëهای دیگر نیز نشان دادند که شبکهëهای عصبی مصنوعی برای مدلëسازی انرژی ضربهëی فولادهای مرتبهëای در محدوده مورد بررسی مناسبند.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling impact energy of functionally graded steels by artificial neural networks

کلیدواژه‌ها [English]

  • Impact energy
  • Functionally graded steels
  • Artificial Neural Networks
  • Number of hidden layers
  • Number of neurons
 

[1] Sankar, B.V. (2001). An elasticity solution for functionally graded beams, Composites Science and Technology (Elsevier), Vol. pp. 689–696.

[2] Li, H., Lambros, J., Cheeseman, B.A., Santare, M.H. (2000). Experimental investigation of the quasi-static fracture of functionally graded materials, International Journal of Solids and Structures, Vol. 37, pp. 3715-3732, 2000.

[3] Nagata, F. (1999). Intelligent modelling mechanisms and design concepts of FGMs in natural composites, Materials Science Forum, Vol. 308-311, pp. 331-337.

[4] Gibson, R.E. (1967). Some results concerning displacements and stresses in a nonhomogeneous elastic half space, Geotechnique, Vol. 17, pp. 58-67.

[5] Ferrari, M., Rooney, F., Nadeau, J.C., (1999). Optimal FGMs and plain awful composites, Materials Science Forum, Vol. 308-311, pp. 989-994.

[6] Aghazadeh, J.-M., Shahosseinie, M.H. (2005). Transformation Characteristics of Functionally Graded Steels Produced By Electrosag Remelting, Metallurgical and Materials Transactions A (Springer), Vol. 36A, pp. 3471-3476.

[7] Nazari, A., Aghazadeh, J.-M. (2010). Modelling impact resistance of functionally graded steels with crack divider configuration, Materials Science and Technology (Maney), Vol. 26, pp. 1377-1383.

[8] Nazari, A., Aghazadeh, J.-M., Hamid, M.-V., Abedi, M. (2011). Simulation of impact energy in functionally graded steels, Computational Materials Science (Elsevier), Vol. 50, pp. 1187–1196.

[9] Nazari, A., Aghazadeh, J.-M., Riahi, S. (2011). Modeling fracture toughness of functionally graded steels in crack arrester configuration, Computational Materials Science (Elsevier), Vol. 50, pp. 1578–1586.

[10] Pala, M., Ozbay, O., Oztas, A., Yuce, M.I. (2005). Appraisal of long-term effects of fly ash and silica fume on compressive strength of concrete by neural networks, Construction and Building Materials (Elsevier) Vol. 21, pp. 384–394.

[11] Akkurt, S., Ozdemir, S., Tayfur, G., Akyol, B. (2003). The use of GA-ANNs in the modelling of compressive strength of cement mortar, Cement and Concrete Research (Elsevier), Vol. 33, pp. 973–979.

[12] شفابخش، غ، نادرپور، ح، فصیحی, ف. (1389). انتخاب الگوریتم بهینه شبکه عصبی در تحلیل روسازی های انعطاف پذیر راه ها، مجله مدل سازی در مهندسی، دانشگاه سمنان، سال هشتم، شماره  21.

[13] Nazari, A., Pacheco-Torgal, F. (2012). Predicting compressive strength of different geopolymers by artificial neural networks, Ceramics International (Elsevier), DOI: 10.1016/j.ceramint.2012.08.070.

[14] Nazari, A., Sedghi, A., Didehvar, N. (2012) Modeling impact resistance of aluminum-epoxy laminated composites by artificial neural networks, Journal of Composite Materials (sage), Vol. 46, pp. 1593–1605.

[15] Bohlooli, H., Nazari, A., Kaykha, M.M. (2012) Microhardness profile prediction of functionally graded steels by artificial neural networks, International Journal of Damage Mechanics (Sage), Vol. 21, pp. DOI: 10.1177/1056789511432653.

[16] Topcu, I.B., Sarıdemir, M. (2008). Prediction of mechanical properties of recycled aggregate concretes containing silica fume using artificial neural networks and fuzzy logic, Computational Materials Science (Elsevier) Vol. 42, pp. 74–82.

[17] Dias, W.P.S., Pooliyadda, S.P. (2001). Neural networks for predicting properties of concretes with admixtures, Construction and Building Materials (Elsevier), Vol. 15, pp. 371–379.

[18] Bai, J., Wild, S., Ware, J.A., Sabir, B.B. (2003). Using neural networks to predict workability of concrete incorporating metakaolin and fly ash, Advances in Engineering Software, Vol. 34, pp. 663–669.

[19] Lai, S., Serra, M. (1997) Concrete strength prediction by means of neural network, Construction and Building Materials (Elsevier), Vol. 11, pp. 93–98.

[20] Sebastia, M., Olmo, I.F., Irabien, A. (2003). Neural network prediction of unconfined compressive strength of coal fly ash–cement mixtures, Cement and Concrete Research, Vol. 33, pp. 1137–1146.

[21] Nazari, A., Milani, A.A. (2011), Modeling ductile to brittle transition temperature of functionally graded steels by fuzzy logic, Journal of Materials Science (Springer), Vol. 46, pp. 6007–6017.

[22] Mukherjee, A. Biswas, S.N. (1997). Artificial neural networks in prediction of mechanical behavior of concrete at high temperature, Nuclear Engineering Design (Elsevier), Vol. 178,  pp. 1–11.

[23] Ince, R. (2004). Prediction of fracture parameters of concrete by artificial neural networks, Engineering Fracture Mechanics (Elsevier), Vol. 71, pp. 2143–2159.

[24] McCulloch, W.S., Pitts, W. (1943). A logical calculus of the ideas immanent in neural nets, Bulletin of Mathematics Biophysics, Vol. 5, pp. 115–137.

[25] Rosenblatt, F. (1962). Principles of neuro dynamics: perceptrons and the theory of brain mechanisms, Washington, DC, Spartan Book.

[26] Rumelhart, D.E., Hinton, G.E., William, R.J. (1986). Learning internal representation by error propagation, In: Rumelhart DE, McClelland JL, editors. Proceeding parallel distributed processing foundation, Vol. 1. Cambridge: MIT Press.

[27] Liu, S.W., Huang, J.H., Sung, J.C., Lee, C.C. (2002). Detection of cracks using neural networks and computational mechanics, Computer Methods in Applied Mechanics and Engineering (Elsevier), Vol. 191, pp. 2831–2845.

[28] Anderson, J.A. (1983). Cognitive and psychological computation with neural models, IEEE Transactions on Systems and Manufacturing Cybernetics, V.SMC-13, Vol. 5, pp. 799–814.

[29] Suratgar, A.A., Tavakoli, M.B., Hoseinabadi, A. (2005). Modified Levenberg–Marquardt method for neural networks training, World Academy of Science, Engineering and Technology, Vol. 6, pp. 46–48.

[30] Guzelbey, I.H., Cevik, A., Erklig, A. (2006). Prediction of web crippling strength of cold-formed steel sheetings using neural Networks, Journal of Constructional Steel Research (Elsevier), Vol. 62, pp. 962-973.