کاربرد هوش مصنوعی در مدل سازی چندمقیاسی شبه همزمان برای پیش بینی آسیب جدایش الیاف از ماتریس در مواد مرکب لایه ای

در صنایع پیشرفته، به ویژه در حوزه های مکانیک و هوافضا، مواد مرکب به دلیل نسبت استحکام به وزن بالا و خواص منحصر به فردشان نقش چشمگیری ایفا می کنند. با این حال، ساختار پیچیده این مواد مستلزم مدل سازی دقیق برای درک صحیح رفتار مکانیکی آن هاست. در این راستا، مدل های چندمقیاسی مزو-ماکرو ابزارهای قدرتمندی ارائه می دهند که امکان تحلیل ویژگی های مواد را در هر دو مقیاس میکروسکوپی و ماکروسکوپی فراهم می سازند. این پژوهش به معرفی مدل های چندمقیاسی شبه همزمان می پردازد که با بهره گیری از ترکیب روش های المان محدود و تکنیک های پیشرفته پردازش تصویر، شبیه سازی دقیق تری از ساختار مواد مرکب و فرآیند پیشرفت آسیب در آن ها ارائه می دهد. در این مطالعه، استفاده از هوش مصنوعی، به ویژه در پردازش تصویر، برای مدل سازی جدایش الیاف از ماتریس بررسی شده است. این رویکرد نه تنها هزینه های محاسباتی را به طور چشمگیری کاهش می دهد، بلکه امکان تحلیل سریع تر و دقیق تر رفتار مکانیکی مواد مرکب را نیز فراهم می آورد. یافته های تحقیق نشان می دهند که مدل های چندمقیاسی مبتنی بر هوش مصنوعی، ابزارهای کارآمدی برای طراحی، بهینه سازی و پیش بینی مکانیزم های خرابی در ساختارهای مرکب ارائه می دهند. این روش به ویژه در کاربردهای حساس و پیشرفته هوافضایی، به عنوان راهکاری عملی و موثر می تواند به پیشرفت و توسعه این صنعت کمک کند.

کلیدواژه ها:

مواد مرکب ، مدل چندمقیاسی شبه همزمان ، جدایش الیاف از ماتریس ، مزو-ماکرو ، هوش مصنوعی