عنوان مقاله :
ارائه مدل شبكهي عصبي GMDH براي پيشبيني رفتار ورقهاي مثلثي تحت بارگذاري هيدروديناميكي
عنوان به زبان ديگر :
Presenting GMDH-Type Neural Network Model to Predict the Response of Triangular Plates under Hydrodynamic Loading
پديد آورندگان :
حقگو، مجتبي دانشگاه گيلان - دانشكده مهندسي مكانيك، رشت , ميرزاباباي مستوفي، توحيد دانشگاه ايوانكي - دانشكده مهندسي مكانيك , ميرعلينقي، مهساسادات دانشگاه آزاد اسلامي واحد ورامين پيشوا - دانشكده علوم پايه، ورامين , بابايي، هاشم دانشگاه گيلان - دانشكده مهندسي مكانيك، رشت
كليدواژه :
ورق مثلثي , هيدروفرمينگ , شبكهي عصبي GMDH , بارگذاري ضربهاي , روش تجزيه مقادير تكين
چكيده فارسي :
هدف اصلي اين مطالعه بررسي نسبت تغيير شكل مركز جرم ورق مثلثي به ضخامت آن با استفاده از روش پردازش گروهي شبكه عصبي و مقايسهي آن با نتايج تستهاي آزمايشگاهي انجام شده بر ورق نازك مثلثي با استفاده از سامانه چكش پرتابهاي است. همچنين بررسي تغيير شكل نهايي و كرنش ايجاد شده در ورق و انرژي منتقل شده توسط ضربه ناشي از سقوط وزنه در دستور كار اين مطالعه قرار دارد. براي بررسي تغيير شكل مركز جرم ورق مثلثي از متغيرهاي ورودي بدونبعد استفاده ميشود. با ادغام روشهاي شبكه عصبي و اعداد بدون بعد، عبارت چندجملهاي مناسبي براي به دست آوردن تغيير شكل مركز جرم ورقهاي مثلثي به دست ميآيد. روش جداسازي تكمتغيره براي به دست آوردن بردار ضرايب زيرجملات شبكه عصبي پردازش گروهي استفاده ميشود. روش جداسازي تكمتغيره، عملكرد شبكه عصبي پردازش گروهي را براي مدل كردن فرايند پيچيده تغيير شكل ورقهاي مثلثي بهبود ميدهد. بررسي نتايج به دست آمده از روش شبكهي عصبي و مقايسهي آن با دادههاي آزمايشگاهي تطابق قابل قبول مدل را نشان ميدهد. از مهمترين برجستگيهاي اين روش ميتوان به سادگي محاسبات و كارائي مناسب در مطالعات پارامتري بارگذاري ضربهاي اشاره كرد.
چكيده لاتين :
The aim of this study is investigating the center of mass deflection to thickness ratio of triangular plates
using the GMDH-type neural networks and comparing it with results of laboratory tests performed on a
narrow triangular plate using water-hammer apparatus. Also, the study focuses on the overall deformation,
strain and impact transmission. Dimensionless input variables are used to investigate the center of mass
deflection of triangular plate with changing variables. A simpler polynomial expression is derived using
GMDH-type neural network and dimensionless number. The vector of coefficients of quadratic subexpressions involved in GMDH-type networks is obtained by Singular Value Decomposition (SVD) method.
SVD can improve the proficiency of GMDH-type networks to model the intricate process of deformation of
triangular plates. Obtaining results by applying a GMDH model and comparing them with actual data
indicates good agreement between model output and experimental data. The advantages of this approach are
in the simplification of computation and convenient application to parametric study for impact behavior.
عنوان نشريه :
مكانيك سازه ها و شاره ها