توسعه الگوریتم بهینه سازی استرس پایپینگ با شبیه سازی متلب

پژوهش حاضر با هدف توسعه و ارزیابی عملکرد یک الگوریتم هیبریدی مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک (ANN–GA) برای بهینه سازی شبکه پایپینگ صنعتی انجام شد. داده های مورد استفاده شامل مشخصات هندسی خطوط لوله با قطر ۵۰ تا ۲۰۰ میلی متر، نوع سیال (آب، بخار و روغن)، فشار کاری ۲–۱۰ بار، دمای کاری ۲۵–۲۰۰ درجه سانتی گراد و موقعیت ساپورت ها با فاصله ۲–۶ متر بودند که پس از پاکسازی و استانداردسازی، در محیط MATLAB شبیه سازی شدند. تحلیل های هیدرولیکی و مکانیکی پیش از بهینه سازی نشان داد که توزیع فشار بین ۲ تا ۱۰ بار، افت انرژی در بازه ۱۵۰–۴۵۰ پاسکال و تنش ترکیبی کل بین ۱۲۰–۱۸۰ مگاپاسکال قرار دارد. اجرای الگوریتم هیبریدی منجر به کاهش حداکثری تنش فون میزز و حرارتی به ترتیب ۳۳٪، کاهش افت انرژی تا ۲۵٪ و بهبود یکنواختی جریان و توزیع فشار تا ۵٪ شد. تحلیل حساسیت پارامترهای کلیدی نشان داد که تغییرات ۱۰٪ در قطر لوله موجب ±۸٪ تغییر تنش ها، جابه جایی ۱ متر ساپورت ها ±۱۲٪ و تغییرات ۵٪ در دما و فشار کاری ±۱۰٪ اثرگذار است. نتایج نشان می دهند که الگوریتم پیشنهادی قادر است ضمن کاهش نقاط بحرانی و افزایش ایمنی، عملکرد مکانیکی و هیدرولیکی شبکه را بهبود بخشد و طراحی بهینه و قابل تعمیم برای شبکه های پایپینگ صنعتی ارائه دهد.

کلیدواژه ها:

بهینه سازی شبکه پایپینگ ، الگوریتم هیبریدی ANN–GA ، شبیه سازی هیدرولیکی و مکانیکی