پیش بینی بار شکست مواد شکل پذیر شیاردار تحت بارگذاری ترکیبی مود I/II با استفاده از شبکه عصبی مصنوعی و بهینه سازی بیزی

پیش بینی دقیق بار شکست مواد شکل پذیر شیاردار تحت بارگذاری مختلط مود I/II به دلیل تاثیر هم زمان ویژگی های ماده، هندسه شیار و میدان تنش موضعی، از مسائل چالش برانگیز در مکانیک شکست به شمار می رود. در این پژوهش، یک رویکرد داده محور مبتنی بر شبکه عصبی مصنوعی برای پیش بینی بار شکست نمونه های شکل پذیر شیاردار ارائه شده است. بدین منظور، مجموعه ای شامل ۲۱۶ داده تجربی از نمونه های دارای شیار U شکل و شیار V شکل تحت شرایط بارگذاری مود I و ترکیبی I/II مورد استفاده قرار گرفت. هشت پارامتر مکانیکی، هندسی و مرتبط با وضعیت تنش شامل استحکام کششی نهایی، چقرمگی ماده، انتگرال بحرانی J، ضخامت نمونه، زاویه بازشدگی شیار، شعاع شیار، بیشینه تنش مماسی و زاویه متناظر با بیشینه تنش مماسی به عنوان متغیرهای ورودی در نظر گرفته شدند. به منظور ارزیابی اهمیت نسبی متغیرهای ورودی، تحلیل مولفه های مجاور به کار گرفته شد که بیشینه تنش مماسی، زاویه بازشدگی شیار و شعاع شیار را به عنوان موثرترین متغیرها شناسایی کرد. سپس ابرپارامترهای شبکه عصبی مصنوعی با استفاده از بهینه سازی بیزی بهینه شدند و در نهایت ساختار ۸-۳۰-۲۱-۲۶-۱ با تابع فعال سازی ReLU و پارامتر منظم سازی L۲برابر با ۰۲۱/۰ به دست آمد. شبکه بهینه شده در مجموعه های آموزش و آزمون به ترتیب مقادیر R۲ برابر با ۹۹۸/۰ و ۹۷۲/۰ و مقادیر خطای میانگین درصد قدرمطلق برابر با ۰۲/۱ و ۴۵/۴ درصد را ارائه کرد. همچنین، ارزیابی مستقل ۴۳ داده تجربی کاملا دیده نشده منجر به ۹۷۹/۰= R۲و درصد خطای میانگین قدرمطلق برابر با ۶۳/۳ درصد شد. در ادامه، عملکرد شبکه عصبی مصنوعی با معیار مفهوم ماده معادل همراه با چگالی انرژی کرنشی مقایسه گردید. برای مجموعه داده مورد مقایسه، مقادیر R۲ و درصد خطای میانگین قدرمطلق برای شبکه عصبی مصنوعی به ترتیب ۹۶۴/۰ و ۶/۲ درصد و برای معیار EMC-SED به ترتیب ۷۹۲/۰ و ۱/۱۰ درصد به دست آمد. نتایج نشان می دهد که شبکه عصبی مصنوعی بهینه شده می تواند به عنوان یک رویکرد داده محور برای پیش بینی بار شکست مواد شکل پذیر شیاردار تحت بارگذاری ترکیبی مود I/II مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه عصبی مصنوعی ، بار شکست ، شکست شکل پذیر ، مواد شیاردار ، بارگذاری مختلط مود I/II