بهینه سازی رفتار ضربه ای سازه های ساندویچی با استفاده از مدل های یادگیری ماشین و الگوریتم های تکاملی

سازه های ساندویچی به دلیل نسبت بالای استحکام به وزن و ظرفیت جذب انرژی، در کاربردهای هوافضا، حمل ونقل و ساختارهای حفاظتی استفاده گسترده دارند. رفتار ضربه ای این سازه ها پیچیده است و شامل آسیب بین لایه ای، خرد شدن هسته و تغییر شکل پلاستیک می شود. در این پژوهش، یک پانل ساندویچی با رویه های آلومینیوم ۲۰۲۴‑T۳، لایه پلی یوریا و هسته ذوزنقه ای آلومینیومی تحت ضربه نیم استوانه ای فولادی شبیه سازی شد. خواص الاستیک، پلاستیک و آسیب آلومینیوم با مدل جانسون–کوک و رفتار ویسکوالاستیک پلی یوریا با مدل مونی–ریولین در تحلیل اجزای محدود وارد شدند. شبیه سازی دینامیکی برای شش نمونه با ترکیب های مختلف ضخامت رویه، ضخامت پلی یوریا و ارتفاع هسته انجام شد و پارامترهایی شامل نیروی بیشینه تماس، جابجایی بیشینه و دائمی، انرژی جذب شده و شاخص های آسیب مورد بررسی قرار گرفت. داده های حاصل، به عنوان ورودی برای مدل های جانشین شبکه عصبی، Random Forest و XGBoost استفاده شد و عملکرد آن ها مقایسه گردید. مدل بهینه با دقت بالا انتخاب و با الگوریتم NSGA-II برای بهینه سازی چندهدفه پارامترهای پانل (جذب انرژی، وزن، آسیب) ترکیب شد. نتایج نشان داد که افزایش ضخامت رویه و لایه پلی یوریا به طور همزمان باعث افزایش مقاومت ضربه ای و کاهش آسیب می شود، و ترکیب مدل شبیه سازی و هوش مصنوعی امکان طراحی سریع و موثر پانل های ساندویچی مقاوم در برابر ضربه را فراهم می آورد. این چارچوب کاربردی، قابلیت استفاده صنعتی و پژوهشی بالایی دارد.

کلیدواژه ها:

سازه های ساندویچی ، ضربه کم سرعت ، یادگیری ماشین ، مدل جانشین ، الگوریتم های تکاملی