مدل‌سازي عمر خستگي اتصالات دو لبه برشي با استفاده از شبكه عصبي مصنوعي

Modeling of fatigue life in double shear lap joints using artificial neural networks

خستگي يكي از عوامل اصلي در واماندگي اتصالات مكانيكي و صفحات در صنايع هوافضا و صنايع اتومبيل‌سازي مي‌باشد پديده‌ي خستگي در اثر بارگذاري متغير به زمان رخ مي‌دهد. در اين پژوهش نتايج تجربي عمر خستگي اتصالات دو لبه برشي آلومينيم 3T -2024 Al در بارهاي مختلف از تست خستگي به دست آمده و نتايج حاصل براي مدل‌سازي با شبكه عصبي مصنوعي استفاده شده است. شبكه‌هاي عصبي مصنوعي با پردازش داده‌هاي تجربي، دانش يا قانون نهفته در وراي داده‌ها را به ساختار شبكه منتقل مي‌كنند و بر خلاف مدل‌هاي رياضي نيازي به تعيين رابطه رياضي بين ورودي‌ها و خروجي‌ها ندارند. به منظور مدل سازي شبكه عصبي مصنوعي ابتدا بطور كاملا تصادفي يكي از داده‌هاي تجربي مربوط به عمر خستگي براي اعتبارسنجي و دو داده ديگر براي تست انتخاب شدند و از بقيه داده‌ها براي يافتن مقادير بهينه وزن‌ها و باياس‌ها استفاده شده است. پس از اطمينان از دقت مدل بدست آمده از آن در فاز كاري براي پيش‌بيني عمر خستگي در بارهاي مختلف كه قبلا تست نشده‌اند به كار گرفته شده است. از مقايسه نتايج تجربي و نتايج حاصل از مدل ايجاد شده مشاهده مي‌شود كه مي‌توان از شبكه عصبي مصنوعي 3 لايه با خطاي كمتر از 10 درصد براي يافتن عمر خستگي نمونه تحت بارهاي مختلف استفاده كرد

Fatigue is one of the most important failure sources of material that is caused by repeatedly applied loads. It is a progressive and localized structural damage that occurs when a material is subjected to cyclic loading. The experimental results of fatigue tests on Al-alloy 2024-T3 in double shear lap joints were used to estimate (model) fatigue life with artificial neural networks (ANN). Artificial neural networks with experimental data processing can find the knowledge or law lies behind the data, and unlike mathematical models, it’s not necessary to determine the mathematical relation between inputs and outputs. To model by artificial neural network, one of the experimental data of fatigue life randomly selected for validation and two other were selected for testing, the rest of the data were used to find the optimal values of weights and bias. After being ensured of the model accuracy, it was used to predict the fatigue life at different loads in the working phase that had not been tested. Comparison of experimental results and the results of the model shows that a 3-layer artificial neural network with less than 10% error could be used to predict the fatigue life at different loads.