پیش بینی پاسخ پلاستیک ورق های فلزی دایره ای تحت بار دینامیکی یکنواخت با استفاده از شبکه عصبی عمیق

در تحقیق پیش رو با استفاده از شبکه های عصبی عمیق به پیش بینی میزان بیشترین خیر ورق های فلزی دایره ای شکل تحت بار شدید دینامیکی یکنواخت پرداخته می شود. شبکه عصبی ارائه شده در این تحقیق در محیط زبان برنامه نویسی پایتون و با استفاده از کتابخانه های موجود در آن ازجمله تنسورفلو طراحی گردید. مدل طراحی شبکه مبتنی بر مسئله رگرسیون و از نوع سکوئنشال و شامل ۱۰ لایه می باشد که تابع فعال ساز موجود در نورون ها از نوع لیکی رلو (Leaky RELU) هستند. الگوریتم بهینه ساز مدل روی آدام و تابع هدف مسئله میانگین مربعات خطا و تعداد تکرار شبکه روی ۷۰۰ مرتبه تنظیم شد. مجموعه داده مورداستفاده در این مقاله متشکل از ۵۸۱ نمونه حاصل از ۱۶ سری آزمایش در طی چهل سال گذشته می باشد که به وسیله کتابخانه سایکیت-لرن استانداردسازی شدند. ورق های فلزی از چهار جنس فولادی، آلومینیوم، مس و تیتانیوم می باشند و هیچ گونه تفکیکی میان فلزات مختلف صورت نگرفته است. تعداد داده های آموزشی در مدل ۴۴۳ عدد معادل ۷۵% از مجموعه داده تعیین شد. همچنین تعداد داده های آزمایشی و ارزیاب به ترتیب ۸۸ عدد معادل ۱۵% و ۵۰ عدد معادل ۱۰% از کل مجموعه داده انتخاب شد. هر نمونه دارای ۸ ویژگی به عنوان ورودی های شبکه عصبی و یک برچسب به عنوان خروجی می باشد. مدل هوشمند ارائه شده از میان ۸۸ داده آزمایشی که به صورت کاملا تصادفی از مجموعه داده انتخاب شده بود، توانست ۷۶% از داده ها تقریبا معادل ۶۷ عدد را در محدوده خطای کمتر از ۱۰% و ۸۸% از داده ها یا به عبارت دیگر معادل تقریبا ۷۸ عدد را در محدوده خطای کمتر از ۲۰% پیش بینی کند. میزان شاخص ریشه میانگین مربعات خطا ۱۰۲ برابر نسبت به روابط پیش بینی کننده تحلیلی و سنتی موجود در سوابق تحقیق کاهش پیدا کرد. همچنین معیار ضریب تعیین که شاخصی مهم جهت ارزیابی عملکرد شبکه های عصبی مبتنی بر مسائل رگرسیون می باشد مقدار ۹۶/۰ را در بر گرفته است.

کلیدواژه ها:

بارگذاری دینامیکی یکنواخت ، ورق های فلزی دایره ای شکل ، شبکه عصبی عمیق ، هوش مصنوعی ، خیز دائمی ، ورق های فلزی