پیش بینی پاسخ یک سیستم مهندسی با توسعه ی یک مدل جانشین داده محور مبتنی بر شبکه عصبی مصنوعی به عنوان جایگزین تحلیل اجزای محدود

این تحقیق، یک مدل جانشین داده محور مبتنی بر روش گروهی پردازش داده ها (GMDH) را معرفی می کند که از شبکه های عصبی مصنوعی برای جایگزینی روش های محاسباتی سنگین مهندسی مانند تحلیل اجزای محدود (FEA) بهره می برد و بهره وری سیستم های شبیه سازی را افزایش می دهد. این رویکرد با تمرکز بر روابط غیرخطی بین پارامترهای ورودی بی بعد شامل ویژگی های سیستم (هندسه و خواص مواد)، شرایط عملیاتی (انرژی ضربه و نرخ کرنش)، و خروجی اصلی یعنی نسبت تغییرشکل دائمی به ضخامت ورق توسعه یافته است. مجموعه داده های تجربی شامل ۶۵ نقطه از آزمایش های واقعی تهیه شد که از فرآیندهای هیدرودینامیکی برای اعمال بارگذاری استفاده می کند. شبکه GMDH با معماری ۱۲ لایه و ۱۲۰ پارامتر، پس از استانداردسازی داده ها و تقسیم به مجموعه های آموزش (۶۷%) و آزمون (۳۳%)، آموزش دید و عملکرد آن با معیارهایی مانندRMSE (۸۸۴/۰)۰،MAE (۷۱۱/۰)، MAPE (۶۷۳/%۶)، R² (۹۸۹/۰)، و شاخص ویلموت (۹۹۷/۰) ارزیابی گردید که دقت بالا، عدم بیش برازش، و کاهش چشمگیر زمان محاسباتی (تا ثانیه ها در مقابل ساعت ها برای FEA) را نشان می دهد که این امر بهره وری در مدیریت سیستم های صنعتی را ارتقا می بخشد. تحلیل حساسیت ذاتی، محلی (بر اساس الاستیسیته و مشتقات جزئی)، و تحلیل عدم قطعیت با عرض باند ۲۱۶۷/۰، اهمیت پارامترهای ورودی را رتبه بندی کرد و نقش غالب عوامل عملیاتی در بهینه سازی سیستم را برجسته نمود. نوآوری های تحقیق شامل ادغام داده های آزمایشگاهی برای مدل سازی یکپارچه سیستم های واقعی، ارائه نگاشت ورودی-خروجی، و کاهش هزینه های شبیه سازی است که این مدل را برای کاربردهای صنعتی در بهینه سازی فرایندهای تولید و افزایش بهره وری در صنایع خودروسازی مناسب می سازد و گامی به سوی طراحی مبتنی بر هوش مصنوعی در مهندسی سیستم ها برمی دارد.

کلیدواژه ها:

مدل جانشین داده محور ، شبکه عصبی مصنوعی ، جایگزینی تحلیل اجزای محدود ، پیش بینی پاسخ پلاستیک دینامیکی ، مدل سازی پیش بین