تعيين ضريب بزرگنمايي جوش در اتصالات لوله‌اي به وسيله شبكه‌هاي عصبي مصنوعي

Evaluating Weld Magnification Factor in Welded Tubular Joints Using Artifitial Neural Networks

در اتصالات لوله اي جوشي زماني كه عمق ترك خستگي كمتر از 20 درصد ضخامت جدارۀ عضو اصلي است، رشد ترك بيش از هر چيز تحت اثر هندسۀ جوش در اتصال است. از اين رو حل اتصال T شكل و ضريب بزرگنمايي جوش (Mk) ابزار مناسبي براي محاسبۀ سرعت رشد ترك در اين محدوده اند. در اين تحقيق توانايي شبكه هاي عصبي مصنوعي براي تعيين Mk در اتصالات T شكل مورد آزمون قرار گرفته است. چهار شبكه از نوع پرسپترون چندلايه (MLP) طراحي و آموزش داده شده اند تا مقادير Mk را در عميقترين نقطۀ ترك و نقاط انتهايي آنها تحت تنشهاي غشايي و خمشي تخمين بزنند. داده هاي استفاده شده براي آموزش و آزمون شبكه ها از داده هاي معتبر اجزاي محدود استخراج شده است. مقايسۀ بين نتايج به دست آمده از شبكه ها و جديدترين روابط منتشر شده براي محاسبۀ Mk نشان دهندۀ قابليت بالاي شبكه-هاي عصبي براي استفاده در اين زمينه است.

In welded tubular joints, when the fatigue crack depth is less than 20% of chord wall thickness, the crack growing process is highly affected by weld geometry. Hence, T-butt solution and weld magnification factor (Mk) are applicable tools for evaluating the crack growth rate in this domain. In this research, the capability of Artificial Neural Network (ANN) for estimating the Mk of weld toe cracks in T-butt joints is investigated. Four Multi-Layer Perceptron (MLP) networks are designed and trained to predict the Mk in deepest point and ends of weld toe cracks under membrane and bending stresses. Training and testing data of networks are extracted from a reputable resource on finite element modeling. Comparison of the results obtained and those from the most recently published equations shows that using ANN seems to be very beneficial in this field