مجله اینترنتی دیتاسرا
امروز چهارشنبه ۵ مهر ۱۳۹۶

عیب‌یابی ورق چند لایه کامپوزیتی با آسیب جدایی بین‌لایه‌ای با استفاده از آموزش شبکه عصبی برمبنای پاسخ ارتعاشات آزاد

چکیده



در این پژوهش از شبکه‌ عصبی پس انتشار خطا برای عیب‌یابی ورق کامپوزیتی چندلایه با جدایی بین‌لایه‌ای استفاده می‌شود. نحوه عیب‌یابی به این صورت است که ابتدا تحلیل ارتعاشات آزاد ورق کامپوزیتی بر اساس روش عددی اجزای محدود انجام می‌گیرد و فرکانس‌های طبیعی در مودهای خاص به ازای مدل‌های مختلفی از آسیب جدایی بین‌لایه‌ای (اندازه، هندسه و موقعیت منطقه با جدایی بین‌لایه‌ای) بدست می‌آید و سپس فرکانس‌های طبیعی استخراجی از مدل به عنوان ورودی و پارامترهای اندازه، هندسه و موقعیت نیز به عنوان خروجی شبکه عصبی درنظر گرفته می‌شوند. ورق کامپوزیتی 8 لایه، بر اساس تئوری سه‌بعدی الاستیسیته و با درنظر گرفتن المان‌های شش وجهی آجری مدل می‌شود لذا در مدلسازی ورق کامپوزیتی تاثیر تغییر شکل‌های برشی عرضی درنظر گرفته می‌شود. به‌دلیل پیچیدگی فرایند حاکم بر مسئله ورق کامپوزیتی با جدایی بین‌لایه‌ای از قابلیت‌های نرم‌افزار آباکوس برای مدلسازی استفاده می‌شود. همچنین نتایج عددی حاصل از روش اجزای محدود با داده‌های عددی و آزمایشگاهی در دسترس مورد مقایسه و اعتبارسنجی قرار می‌گیرد. از دو روش آموزش لونبرگ–مارکوآرت و پس ‌انتشار خطای انعطاف‌پذیر برای آموزش شبکه عصبی و مقایسه پاسخ‌ها استفاده می‌شود. نتایج پیش‌بینی با روش آموزش لونبرگ–مارکوآرت تطابق بسیار خوبی با مقادیر بدست آمده از روش اجزای محدود دارد. بعد از آموزش شبکه عصبی، از تعمیم این مدل برای پیش‌بینی و عیب‌یابی آسیب در ورق کامپوزیتی استفاده می‌شود.


مشخصات

مشخصات

توسط: محمد جواد محمودی؛ ارازمحمد فخری اینچه برون مجله: مجله علمی پژوهشی مهندسی مکانیک مدرس سال انتشار: 1396 شمسی تعداد صفحات: 11 درج در دیتاسرا: ۱۳۹۶/۳/۲۹ منبع: دیتاسرا

خرید محصول

خرید محصول

عنوان: عیب‌یابی ورق چند لایه کامپوزیتی با آسیب جدایی بین‌لایه‌ای با استفاده از آموزش شبکه عصبی برمبنای پاسخ ارتعاشات آزاد حجم: 1.51 مگابایت فرمت فایل: pdf قیمت: 1200 تومان رمز فایل (در صورت نیاز): www.datasara.com

فرمت ایمیل صحیح نمی باشد.

گروه نرم افزاری دیتاسرا www.datasara.com

نمای مطلب

عیبیابی ورق چند لایه کامپوزیتی با آسیب جدایی بینلایهای با استفاده از آموزش شبکه عصبی برمبنای پاسخ ارتعاشات آزاد



مقدمه



مود اصلی برای کامپوزیتهای چندلایه  جدایی در امتداد فصل مشترک لایهها میباشد که اصطلاحا جدایی بینلایهای نامیده میشود  این نح آسیب با تنشهای بین لایهای تحریک شده و بهدلیل تغییر پارامترهایی همچون تاثیر گوشه و لبه آزاد ا  نا پیوستگیهای ساختاری  آسیبهای موضعی در حین ساخت و در شرایط کاری مثل ضربه  سوراخکاری در هنگام ساخع  تغییرات رطوبت و درجه حرارت وو مکانیزمهای داخلی شکست همچون ترکهای زمین   رشد میکند      این عیب میتواند باعث تغییر در خصوصیات فیزیکی ماده مرکب شده  معمولا روی توزیع جرم اثری نمیگذارد  اما سفتی ساختاری را کاهش داده و منجربه تغییر پارامترهای مودال از جمله کاهش فرکانس طبیعی آن میشود که نهایتآ این امر کاهش عمر سازه را به همراه دارد  محققان زیادی به بررسی تحلیلی  عددی و آزمایشگاهی پیرامونن پدیده جدایی بینلایهای با درنظر گرفتن پارامترهای آسیب تحت شرایط مختلف بارگذاری پرداختند  در سال  لئو و همکارانش از المان ورق و تئوری لایر وادزبرای مدلسازی جدایی بینلایهای در ورق کامپوزیتی استفاده کردند  این مدل بهصورت دو بعدی برای المان ورق تعریف شد  محققان بسیاری با استفاده از تکنیکهای مبتنی بر ارتعاشات و تستهای غیرمخرب  به شناسایی آسیب در ورقهای کامپوزیتی چندلایه پرداختهاند  بعدها گابلرب تغییر پارامترهای مودال تیر با جدایی بین  لایهای را برای شرایط مرزی مختلف بررسی نمود  به کمک روش المان محدود مدلی را برای آسیب جدایی بینلایهای در چندلایههای کامپوزیتی ارائه کرد  هاریسون و باتلر از دو روش بهینهکننده کاهش گرادیان و الگوریتم ژنتیک برای موقعیتیابی تیرهای کامپوزیتی استفاده نمودند  ناک و همکارانش جدایی بینلایهای را با استفاده از الگوریتم ژنتیک شناسایی کردند  اکافور با درنظر گرفتن تاثیر ضریب پواسون و تغییر شکل برشی عرضی فرکانسهای طبیعی تیر و اندازه و موقعیت جدایی بینلایهای را تخمین زد  ایسلام و کرایگ از ترکیب شبکههای عصبی و سنسورهای پیزوالکتریک برای عیبیابی آسیب در سازههای کامپوزیتی استفاده کردند  ژنگ به کمک روش المان محدود و با بهکارگیری الگوریتم فازی به پیشبینی آسیب در تیر کامپوزیتی چندلایه پرداخت  در این میان  شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که الهام گرفته شده از شبکه عصبی طبیعی و ساختار مغز انسان میباشد  به عبارتی این شبکهها تعمیم یافته مدلهای ریاضی تشخیص انسان براساس زیستشاسق عصی هسشد  شکههای عصی مصوعی با پردازش دادهها  دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل میکنند و لذا روشی قوی برای شناخت و مدلسازی سیستمهای ییچیده میباشند  در سیستمهایی که ارتباط واضح و سادهای بین پارامترهای حاکم بر مسئله وجود ندارد  شبکه عصبی مصنوعی میتواند بهعنوان یک ابزار مناسب جهت شناسایی و پیش بینی پارامترها عمل کند  امروزه ساختارها و الگوریتمهای بسیاری وجود دارند که برای مسائل موجود در شبکههای عصبی بهکار میروند       شبکههای عصبی محاسبات کمتری نسبت به سایر الگوریتمهای عیبیابی بهکار میبرند و برای عیبیابی سازهای بسیار مناسب هستند       شبکههای عصبی به علت سه ویژگی مهم شامل توانایی نگاشت کلی  مقاومت درر برابر دادههای نویزی و توانایی یادگیری با آموزش نظارت شده برای عیبیابی استفاده میشوند    در مقاله حاضر برخلاف مدلهایی که برای تحلیل آسیب در تیرها بهصورت دو بعدی استفاده شده است  ازز مدل کاملا سهبعدی استفاده میشود  با استفاده از این مدل  پدیده جدایی بینلایهای در ورقهای کامپوزیتی و تاثیر عواملی چون اندازه  هندسه و موقعیت منطقه با جدایی بینلایهای روی فرکانسهای طبیعی توصیف میشود  بهدلیل پیچیدگی فرایند حاکم بر مسئله ورق کامپوزیتی با جدایی بینلایهای از قابلیتهای نرمافزار آباکوس برای مدلسازی استفاده میشود  همچنین در مناطق با جدایی بینلایهای جهت جلوگیری از نفوذپذیری لایهها  از المانهای فنر مجازی موجود در نرمافزار آباکوس استفاده میشود  ورق کامپوزیتی لایه  براساس تئوری سهبعدی الاستیسیته و با درنظر گرفتن المانهای شش وجهی آجری مدل میشود  همچنین تاثیر تغییر شکل برشی عرضی در مدلسازی ورق کامپوزیتی لحاظ شده است  در این پژوهش از شبکه عصبی پس انتشار خطا برای عیبیابی ورق کامپوزیتی چندلایه با آسیب جدایی بینلایهای استفاده میشود  ابتدا تحلیل ارتعاشات آزاد ورق کامپوزیتی براساس روش عددی اجزای محدود انجام میگیرد و فرکانسهای طبیعی در مودهای خاص به ازای مدلهای مختلفی از آسیب جدایی بینلایهای  اندازه و موقعیت منطقه با جدایی بینلایهای  بهدست میآید و سپس فرکانسهای طبیعی استخراجی از مدل به عنوان ورودی و پارامترهای اندازه و موقعیت نیز بهعنوان خروجی شبکه عصبی درنظر گرفته میشوند  از دو روش آموزش لونبرک مارکوآرت و پس انتشار خطای انعطافپذیر برای آموزش شبکه عصبی و مقایسه پاسخها استفاده میشود  و  مدلسازی برمبنای روش ناحیه چسبناک یکی از روشهایی که برای پیشبینی و شروع و رشد جدایی بینلایهای بهکار میرود  المان فصل مشترکیا المان ناحیه چسبناکو میباشد امروزه از این روش در نرمافزارهای اجزاء محدود بهویژه آباکوساستفاده میشود  این المانها به صورت مدلی با ضخامت بسیاریم و نزدیک به صفر در بینلایههای جدا شده درنظرگرفته میشود    شکل     شماتیکی از المان چسبناک را بینلایههای جداشده از یک کامپوزیت نشان میدهد  جابهجایی گرهها تحت بارگذاریهای اعمالی به مولفههای نرمال و برشی تقسیم میشود  توصیف رفتار جدایی بینلایهای با استفاده از این المانها مبتنی بر مودهای شکست و معیارهای انرژی میباشد  بررسی این رفتار در نرمافزار آباکوس میتوان از قانون جدایی ترکشناستفاده نمود که ابزاری قدرتمند برای شبیهسازی جدایی بینلایهای و پیشبینی شروع و رشد آن به کمک معیارهای خرابی میباشد  در اصل مدل جدایی ترکشن در نرمافزار آباکوس بهصورت الاستیک خطی فرض میشود  که برای بیان آن تانسور الاستیک تعریف میشود که تنشهای اسمی  بردارترکشن را بهه کرنشهای اسمی  بردار جابجایی بازشدگی که در امتداد سطح میانی  خطی ساده قانون جدایی ترکشن با تعریف عباراتی از ترکشن موثر جو جابجایی بازشدگی موش   را نشان می دهد   بدیهی است کهه رابطهی بین اثرات ترکشن و اثرات جابجایی بازشدگی توسط سه پارامتر تعریف میشود  که دو عدد از آنها منحصرآ مربوط به شکست است  این پارامترها شامل  حداکثر ترکشن  استحکام موضعی مواد  مشخصهای از جابجایی بازبثدگی بحرانی در بشکست  انرژی مورد نیاز برای باز شدن ترک   مساحت زیر نمودار تر کشنجابجایی  هستند که در   شکل     نشان داده شده است  پارامتر   معیار خرابی درر چارچوب مکانیک آسیب پیوسته است که در محدودهی در نظر گرفته میشود  معیار شکست ماکزیمم کرنش اسمی برای شروع آسیب در المان چسبنده  با حداکثر مقدار کرنش اسمی  بهعنوان معیار خرابی انتخاب میشود  ‌‌   نمونهای از ورق کامپوزیتی چند لایه با جدایی بینلایهای داخلی در   شکل     نشان داده شده است  در اینجا فرض شده است که منطقه جدایی بینلایهای بین دو لایه که لایههای بالایی و پایینی ورق کامپوزیتی نامیده میشوند  واقع شده است  برای اینکه پیوستگی ماده کامپوزیتی حفظ شود  جابهجایی و تغییرات هر جفت گره مماس روی لایههای بالا و پایین ورق چند لایه یکسان در نظر گرفته شده است  این تغییرات در منطقهای که جدایی بینلایهای اتفاق افتاده است  یکسان نمیباشد  برای شبیهسازی وضعیت واقعی جدایی بینلایهای  یک لایه چسبناک  بسیار نازک بین لایههای بالا و پایین قرار داده شده است  نکته بسیار مهم این است که وقتی ورق چندلایه در حالت جدایی بینلایهای حرکت میکند  از نظر فیزیکی غیرممکن است که لایههای بالا و پایین بهیکدیگر نفوذ نکنند  بنابراین برای جلوگیری از نفوذپذیری گرهها در مناطق مذکور از المانهای مجازیبهصورت فنر استفاده شده است



نمونهای از کاربرد المانهای مجازی را نشان میدهد  هر المان فنر مجازی یک ثابت سختی   مربوط به خود را دارد  تغییرات جابهجایی گرههای مجاور هم در منطقه شامل جدایی بینلایهای به مقدار زیادی به پارامتر حل وابسته است  در واقع المان فنر مجازی با سختی مشخص بهعنوان یک قید اضافی مطرح میباشد که میتواند تا حدودی منجر به افزایش فرکانسهای ارتعاشی نبود  برای محدودیت کامل حرکت گرهها در مناطق با جدایی بینلایهای بهویژه در مناطقی با مساحت زیاد  میتوان از فنرهایی با ثابت استفاده نمود که فرکانسهای طبیعی را افزایش میدهد  اگر سختی این المانهای مجازی بیشتر از یک مقدار خاص باشد  منجر به واگرایی جواب میشود و اگر این مقدار کمتر از یک مقدار مشخص باشد  حرکت گرههای مجاور روی سطوح آزاد شامل جدایی بینلایهای محدود نمیباشد  در اکثر موارد اگر فنرهای مجازی با ثابت بیشتر از انتخاب شود  نفوذپذیری لایهها بهم اتفاق نمیافتد  مقادیر سختی برای شبیهسازی مناسب پدیده جدایی بینلایهای برای حالتهای مختلف  متفاوت میباشد  برای تحلیل عددی و شبیهسازی جدایی بینلایهای و بهدست آوردن فرکانسهای طبیعی از نرمافزار آباکوس نسخه      استفاده میشود و تاثیر پارامترهایی مثل موقعیت   فاصله مرکز منطقه با جدایی بینلایهای از مرکز لایه چسبناک  روی فرکانسهای طبیعی بررسی میشود  از آنجایی که بعد از اینکه جدایی بین لایهای در کامپوزیتها اتفاق میافتد  منطقه جدایی بینلایهای بهصورت دوایر و یا اشکالی شبیه به بیضی مشاهده میشود   بررسی تاثیرات این عامل روی فرکانسهای طبیعی در قالب پارامترهایی همچون اندازه و خروج از مرکزی بررسی سشود     مشخصات ورق لایهای کامپوزیتی نمونه ورق چند لایه کامپوزیتی مورد بررسی در این مقاله  بهمنظور اعتبارسنجی و مقایسه با تحقیقات پیشین  یک ورق   لایه با زمینه پلیمری و تقویت شده با الیاف شیشهمیباشد  سطح مقطع ورق کامپوزیتی به شکل مربعی به طول میلیمتر و ضخامت کل میلیمتر میباشد  توزیع جهتگیری الیاف در امتداد ضخامت ورق بهصورت کد زیر درنظر گرفته میشود که    نشاندهنده محل جدایی بینلایهای در ورق ه لایه کامپوزیتی میباشد مدل می شود  جنس این لایه از رزین اپوکسی میباشد       خواص مکانیکی  ثابتهای الاستیک و چگالی ماده مذکور  مربوط به ماده ارتوتروپ لایههای بالا و پایین و همچنین ماده ایزوتروپ رزین اپوکسی در نظرگرفته شده برای لایه چسبناک بترتیب در جداول   آورده شده است  شایان ذکر است چسب اتصال لایهها از جنس رزین اپوکسی در محل جدایی بین لایه ای وجود ندارد  شرایط مرزی برای ورق چند لایه کامپوزیتی بهصورت چهار گوشه آزاد فرض میشود    شکلهای و و     نمایی از لایه بالایی و لایه میانی ورق کامپوزیتی را نشان میدهند  مشبندی در هر راستا به ابعاد  انجام شده است  برای مشبندی لایه میانی نیز از پارتیشنبندی استفاده شده است  در بسیاری از مقالات از جمله در         اشاره شده است که برای جلوگیری از نفوذپذیری لایهها بهم در مناطقی که جدایی بینلایهای اتفاق افتاده است  از المانهای تماسی  موجود در نرمافزار انسیساستفاده شود  این موض برای حالتی که تحلیل موردنظر تحلیلی فرکانسی برای پیداکردن فرکانسهای طبیعی باشد  درست نیست  از آنجایی که استفاده از المانهای تماسی  و یا تماسی به نوعی سازه موردنظر را غیرخطی میکند و تحلیل فرکانسی نرمافزار انسیس فقط شامل تحلیلهای خطی میباشد  استفاده از این قیدها در مناطقی با جدایی بینلایهای تاثیری ندارد و در صورت تغییر پارامترهای آن از جمله سختی  نرمافزار این تغییرات را اعمال نمیکند  در صورتی که شرایط حاکم بر مسئله بهگونهای باشد که سازه موردنظر تحت نیرو و یا فشار باشد و بهنوعی دچار تغییر شکل و یا تنش ناشی از این عوامل باشد  میتوان از آنالیز مودال موجود در انسیس برای پیدا کردن فرکانسهای طبیعی استفاده نمود  به همین دلایل با توجه به شرایط مرزی حاکم بر ورق   لایه کامپوزیتی مقاله حاضر جهت جلوگیری از نفوذپذیری لایهها از المانهای فنر استفاده میشود  و  نتایج بحث جهت صحت گذاری  بهدست آمده  مقایسهای بین نتاچ بهدست آمده و نتایج      در جدول   آورده شده است  النفائی در  با درنظر گرفتن المانهای شش وجهی آجری و با استفاده از یک جدا کننده  میلیمتری بهعنوان یک فاصله برای لایه میانی  مدلی را ارائه کرده است  شبیهسازی نرمافزاری در مقاله حاضر و در  با استفاده از نرمافزار آباکوس بوده است  در هر دو روش از المانهای شش وجهی آجری برای المانبندی ورق کامپوزیتی استفاده شده است  جدول   نشاندهنده صحت مدلسازی حاضر می باشد  جهت اطمینان از نتایج مدلسازی حاضر  با توجه به مراجع در دسترس    مقایسه دیگری روی ورق ه لایه کامپوزیتی سالم با جهتگیری ه درجه الیاف تمام لایهها  با  آزمایشگاهی      صورت گرفته است  مقطع ورق کامپوزیتی به شکل مربعی به طول ضلع ه   میلیمتر و ضخامت کل ه لایه هو   میلیمتر میباشد  خصوصیات مکانیکی هر لایه  جدول   مقایسه تحقیق حاضر را با مراجع  برای ح مود فرکانسی نشان میدهد  مطالعه      دادههای تجربی و مطالعات  تحلیلهای عددی را شامل میشوند  با مشاهده دادههای این جدول  صحت مدلسازی ارائه شده در تحقیق حاضر میتواند تایید شود  نتایج بهدست آمده برای حالت وجود جدایی بینلایهای و تاثیر این پدیده بر روی فرکانسهای طبیعی ورق مورد مطالعه اصلی با مشخصات ارائه شده جدول   مقایسه فرکانسهای طبیعی نتاچ استخراجی به هرتز با  ص  در جدول   و    در قالب سه پارامتر اندازه  خروج از مرکزی و موقعیت مرکز منطقه با جدایی بینلایهای نسبت به مرکز لایه میانی در بخشهای بعد ارائه و بررسی میشوند  و    تاثیر اندازه منطقه جدایی بینلایهای روی فرکانسهای طبیعی در جدول و فرکانسهای طبیعی برای و  مود اول برای حالتی که خروج از مرکزی   در نظر گرفته شده  به ازای مقادیر مختلفف اندازه در مرکز لایه میانی نشان داده شده است  واحد مربوط به مقادیر   و  به میلیمتر میباشد  همانطوریکه در جدول و مشاهده میشود  فرکانسهای طلبیعی با افزایش اندازه و بهعبارتی با افزایش مساحت منطقه جدایی بینلایهای  کاهش مییابند  معمولا این کاهش در مودهای بالا محسوستر است  البته لازم به تذکر است که نتایج بهدست آمده در هر مود فرکانسی و در هر موقعیت بهطور خاصی وابسته به توزیع جرم  سختی ماده دارد و به عبارت دیگر وابسته به تغییر شکل خمشی است و امکان تغییر ناچیز فرکانس طبیعی در مودهای بالا نیز وجود دارد  ولی به طور کلی کاهش فرکانسهای طبیعی در مودهای بالا بیشتر مشاهده میشود تغییرات پارامتر را بهعنوان تابعی از پارامتر اندازه جدایی بینلایهای برای حالتی که آسیب در مرکز لایه میانی اتفاق افتاده است  را نشان میدهند  همانطوریکه در   شکلهای مشاهده میشود  تغییرات پارامتر  در مودهای بالاتر محسوستر است  این تغییرات برای مود نهم بیشتر از سایر مودها به چشم میآید  برای مودهایی همچون مود دهم نیز همانطوریکه قبلا اشاره شد  استثناهایی وجود دارد که کاهش کم فرکانسهای طبیعی میتواند ناشی از تفاوت توزیع جرم و سختی و تغییر شکل در این مود خاص باشد  ولی بهطور کلی روند کاهش فرکانسهای طبیعی در مودهای بالا  بیشتر دیده میشود تاثیر خروج از مرکزی منطقه جدایی بینلایهای روی فرکانسهای طبیعی در جدول ح فرکانسهای طبیعی برای و  مود اول برای حالتی که پارامتر اندازه     بهصورت ثابت یعنی مقدار میلیمتر در نظر گرفته شده  نشان داده شده است  مقدار خروج از مرکزی با تغییر پارامتر    به میلیمتر  تغییر داده شده است  همچنین موقعیت منطقه با جدایی بینلایهای در مرکز لایه میانی میباشد  همانطور که از جدول ح مشاهده میشود  با کاهش پارامتر   یعنی به عبارتی با افزایش خروج از مرکزی  فرکانسهای طبیعی افزایش یافته است  این افزایش در مودهای بالاا محسوستر است  همچنین مشاهده میشود در مودهای بالا تغییر فرکانسهای طبیعی به ازای افزایش خروج از مرکزی به اندازه تاثیر پارامتر اندازه نیست  فرکانسهای طبیعی برای مودهای      به ازایی خروج از مرکزی با   ثابت   نشان داده شده است  و    تاثیر موقعیت منطقه جدایی بینلایهای روی فرکانسهای طبیعی در جدول  تاثیر عامل موقعیت روی فرکانسهای طبیعی را به ازای خروج از مرکزی     در موقعیتهای مختلف نشان داده شده است  واحد موقعیتهای مختلف منطقه جدایی بینلایهای به میلیمتر و واحد فرکانس طبیعی به هرتز است  نتاچ تحلیل نشان داده است که فاصله مرکز منطقه جداییی بینلایهای از مرکز لایه میانی نیز روی فرکانسهای طبیعی سازه تاثیرگذار است  افزایش این فاصله در بعضی از مودهای ارتعاشی باعث افزایش فرکانس طبیعی و در برخی از مودها باعث کاهش میشود که علت این پدیده هم میتواند توزیع متفاوت سختی و جرم در مودهای مختلف ارتعاشی باشد  در هر یک از موقعیتها با افزایش شماره مود فرکانسی فرکانس طبیعی نیز افزایش یافته است    پیشبینی با شبکه عصبی پس آنتشار خطا مهمترین بخش در نتیجهگیری بهینه از شبکههای عصبی پس از تعیین ساختار آنها  استفاده از روش صحیح جهت آموزش آنها میباشد  در واقع شبکه عصبی به ازای تعداد معینی از الگوهای ورودی و خروجی مساله  پاسخ سیستم  آموزش داده شده و به ازای تعداد معینی از الگوهای ورودی و خروجی در عین آموزش دیدن مورد آزمون واقع میگردد  اگر آموزش شبکه عصبی در این دو مرحله درست صورت گرفته باشد  این شبکه قادر خواهد بود به ازای الگوهای ناشناخته ورودی در محدوده الگوهای اولیه ورودی  پاسخ خروجی سیستم را مشخص نماید  از بهترین وو موثرترین شیوههای آموزش شبکههای عصبی چندلایه  الگوریتم پس انتشار خطا میباشد   ص   چون انگیزه اصلی استفاده از الگوریتم پس انتشار خطا دستیابی به تعادل بین دادن پاسخ صحیح به الگوهایی آموزش داده شده به شبکه  یادگیری  و تولید پاسخ مناسب به الگوهای جدید  تعمیم  است  ادامه آموزش شبکه عصبی زمانی که مقدار مربعات خطا واقعا حداقل شده باشد  الزامآ مفید نمیباشد       معمولا ازز دو مجموعه داده مجزا در زمان آموزش شبکه استفاده میشود  یک مجموعه برای آموزش الگوها و یک مجموعه برای آموزش  آزمون الگوها  تغییر وزنها در شبکه براساس داده آموزش صورت میگیرد و در بازههایی در طول آموزش  خطای شبکه برای دادههای آموزش  آزمون محاسبه میشود  بر این اساس تا زمانی که مقدار خطای دادههای آموزش آزمون در حین آموزش کاهش مییابد  آموزش شبکه ادامه دارد  زمانی که خطای شبکه شروع به افزایش میکند  شبکه مشخصآ شروع به حفظ کردن الگوهای آموزش مینماید و قابلیت تعمیمدهی خود را از دست میدهد  در این نقطه  آموزشش پایان میپذیرد        در   شکل      فلوچارت الگوریتم پس انتشار خطا آورده شده است  شبکه ابتدا مقادیر اولیهای را به وزنها و بایاسها اختصاص میدهد و خروجیهای هر نرون در هر لایه مشخص میشود  خروجی هر نرون در لایه آخر محاسبه شده و اختلاف مقادیر پیشبینی شده و مقادیر واقعی با خطای مطلوب مقایسه میشود و در صورت مغایرت  شبکه اصطلاحا پس انتشار   ساختار شبکهه برای حالتی که جدایی بینلایهای اتفاق افتاده حالت مختلف که شامل تغییرات پارامترهای اندازه  خروج از مرکزی و موقعیت میباشد  بررسی شده است  از شبکه عصبی پس انتشار خطا نیز برای پیشبینی استفاده میشود  نحوه استفاده به این صورت است که بعد از اینکه فرایند شبیهسازی با نرمافزار آباکوس به اتمام رسید  فرکانسهای طبیعی در  مود اول به عنوان ورودیهای شبکهعصبی و پارامترهای مذکور بهعنوان خروجی در نظر گرفته میشوند  علت انتخاب ده مود فرکانسی بهعنوان ورودیهای شبکه عصبی در ادامه تشریح میشود  پس از اینکه شبکه آموزش یافت  میتوان از الگوریتم پس انتشار خطا برای پیشبینی آسیب در ورق کامپوزیتی استفاده نمود  تعداد نرونهای لایه ورودی و تعداد نرونهای لایه خروجی  به تعداد ورودیها و خروجیهای سیستم بوده و تعداد آنها کاملا مشخص میباشد  ن شبکه مورد استفاده جهت ارزیابی آسیب جدایی بینلایهای  از نوع شبکههای عصبی سه لایه میباشد  معمولا برای پیشبینی با شبکه عصبی پس انتشار خطا از یک لایه مخفی استفاده میشود و چنانچه نتایج تخمین زده شده به نتاچ حقیقی نزدیک نبود  از دو لایه مخفی استفاده میشود  تعداد نرونهای موجود در لایههای مخفی  بهطور تجربی و از طریق سعی و خطا حاصل گردیده است      و   درر لایه مخفی اول تعداد هص و در لایه مخفی دوم تعداد    نرون وجود دارد  این مقادیر از طریق سعی و خطا بهدست آمده است  تابع فعالسازی هر دو لایه مخفی از  سیگموید دوقطبی میباشد  معمولا برای لایههای میانی از این نوع تابع فعالسازی استفاده میشود  این انتخاب به این دلیل است که با توجه به برد این تابع فعالسازی  مقایر خروجی نرونهای لایههای مخفی بین   و    قرار میگیرد و شبکه بهتر میتواند عملیات تنظیم وزن را انجام دهد       در لایه خروجی نیز چهار نرون وجود دارد که بیانگر پارامتژهای اندازه  خروج از مرکزی و موقعیت ناحیه با جدایی بینلایهای میباشد  با توجه به اینکه لایه خروجی هر مقداری  خارج از بازه    و    را میتواند اختیار کند  از تابع فعالسازی خطی برای آن استفاده میشود         شکل      مدل استفاده شده شبکه عصی پس  لایه مغفی را نشان میدهد  مهمترین مساله در بخش انتخاب ساختار شبکه چند لایه  انتخاب تعداد لایههای مخفی شبکه و نیز تعداد نرونهای موجود در این لایهها میباشد  برای این منظور هیچ فرمول مدون و از پیش تعیین شدهای وجود نداشته و با توجه به سعی و خطا و آزمودن ساختارهای مختلف و مشاهده پارامترهای خروجی شبکه به ازای آنها  ساختار بهینه تعیین میگردد  تعداد کم لایهها واقعی شبکه عصبی میباشند  تعداد کل دادههای ورودی شبکه عصبی برابر با   داده درنظر گرفته شده است که از این تعداد  داده جهت آموزش شبکه عصبی و    داده نیز برای آزمون  تست  شبکه بهکار رفته است  با توجه به شرایط مرزیی حاکم بر مسئله و بهدلیل تقارن  یک چهارم لایه میانی برای پیشبینی با استفاده از شبکه عصبی درنظر گرفته شده است آموزش شبکه برای آموزش شبکه عصبی از کدنویسی با نرمافزار متلباستفاده شده است  در اینجا از دو روش آموزش لونبرک  مارکوآرتو پسانتشار خطای انعطاف پذرر  برای آموزش شبکه عصبی و مقایسه پاسخها استفاده شده است  الگوریتم لو نبرک مارکوآرت روشی است برای یافتن کمینه یک تابع غیرخطی چند متغیره که بهعنوان یک روش استاندارد برای حل مسئله کمینه مربعات برای توابع غیرخطی درآمده است  روش لونبرک  مارکوآرت معمولا از سرعت همگرایی بسیارر بالاتری نسبت به سایر روشها برخوردار بوده و برای شبکههای کوچک بسیار کاراست  اما با افزایش اندازه شبکهها و تعداد وزنها کارایی آن کاهش مییابد       روش پسانتشار خطای انعطافپذیر نیز در مسائل تشخیص الگوها از سریعترین روشها میباشد  حافظه موردنیاز برای این روش نیز کم خواهد بود  اما در مسائل تقریب تابع از قدرت روش قبل برخوردار نیست       پارامترهای آموزش شبکهه  تنظیمات کلی شبکه  با هر دو روش ثابت و مطابق جدول  آورده شده است  همانطوری که در جدول  مشاهده میشود  برای آموزش شبکه عصبی پس انتشار خطا مقدار بیشترین تکرار  دور   درنظر گرفته شده است  هر کدام از این حالتها که زودتر اتفاق بیفتد  فرایند آموزش شبکه عصبی متوقف میشود ممکن است در مسائل پیچیده جوابگو نباشد  از طرفی تعداد زیاد لایهها نیز ممکن است شبکه را دچار فراانطباقی نماید  این مطلب در مورد تعداد دادههای ورودی شبکه نیز صادق میباشد   در مقاله حاضر نیز با فرکانسهای طبیعی در  مود اول نتایج پیشبینی شده شبکه عصبی دقت خوبی دارد  در این پژوهش برای آموزش شبکه و نیز مقایسه عملکرد ساختارهای مختلف شبکه عصبی و نیز روشهای مختلف الگوریتم پس انتشار خطا از شاخص کارایی میانگین مربعات استفاده میشود جدول و مقایسهای بین عملکرد شبکه با ورودیهای مختلف را نشان میدهد  همانطوری که در جدول و مشاهده میشود به ازای ورودیهای مختلف عملکرد شبکه متفاوت است  با آزمایش ورودیهای مختلف مود اولل فرکانسی نتایج بهتری را بههمراه دارد که نتایج آن در ادامه تشریح شده است       نتایج آموزش شبکه در این بخبثن در قالب بررسی چند فاکتور مهم  نتایج حاصل از آموزش شبکه بی سهلایه با الگوریتم پس انتشار خطا آورده شده است         بررسی اثر ساختار شبکه در جداول  حاصل از انتخاب ساختارهای مختلف برای معماری شبکه عصبی بهکار رفته  آورده شده است  جدول مربوط به نتایجج ساختارهای مختلف شبکه با آموزش به روش لونبرک  مارکوآرت و جدول     مربوط به  ساختارهای مختلف شبکه به روش پس انتشار خطای انعطافپذیر می باشد  این نتایج بهترین نتاچ بهدست آمده برای آموزش شبکه با آن ساختار طی تکرارهای فراوان میباشد  همانطوریکه از جدول مشاهده میشود  ساختار    بهترین عملکرد را در بین ساختارها داراست  از مقایسه دو جدول میتوان نتیجه گرفت که آموزش شبکه عصبی به روش لونبرک   مارکوآرت نتاچ مطلوبتری را چه از لحاظ کاهش زمان و چه از لحاظ بهبود شاخص عملکرد  در بر خواهد داشت مشخصه عملکرد حالت بهینه   شکل و    مشخصه عملکرد شبکه با ساختار  برای رسیدن به حد مطلوب خطای تعریف شده برای آن را نشان میدهد  این مشخصه مربوط به حالت بهینهای است که در جدول ه مشخصات آن آورده شده است  همانطور که مشاهده میشود شبکه پس از دور آموزش به مقدار خطای مطلوب  رسیده است بررسی مقایسهای خروجی شبکه در این بخش برای تعداد و  داده  مقایسهای بین خروجیهای واقعی مساله و خروجیهای شبکه عصبی مصنوعی سه لایه آموزش دیده با الگوریتم پس انتشار خطا با روش آموزش لونبرک  مارکوآرت انجام شده است    شکل   این مقایسه را نشان میدهد  محور عمودی نمودار مقادیر پارامتر اندازه جدایی بینلایهای     را برای حالتی نشان میدهد که آسیب در مرکز لایه میانی اتفاق افتاده است  همانطوریکه در   شکل      نشان داده شده است  نتایج پیشبینی شده شبکه عصبی با نتایج واقعی تطابق بسیار خوبی دارد  بهطور کلی میتوان گفت که شبکه عصبی پس انتشار خطا ابزار خوبی برای پیشبینی و مدلسازی سیستمهای مختلف میباشد  نتایج پیشبینی شده شبکه عصبی برای    نمونه تست که شامل حالتهای مختلفی از آسیب جدایی بینلایهای است  به همراه مقادیر شبیهسازی شده با نرمافزار آباکوس در جدول  آورده شده است  برای زمانی که جدایی بینلایهای اتفاق افتاده است  تغییرات پارامترهای اندازه      خروج از مرکزی  موقعیت  میباشد  بررسی شده است  از شبکه عصبی پس انتشار خطا نیز برای پیشبینی استفاده شده است  نحوه استفاده به این صورت است که بعد ازز اینکه فرایند شبیهسازی با نرمافزار آباکوس به اتمام رسید  فرکانسهای طبیعی در مود اول بهعنوان ورودیهای شبکه عصبی و پارامترهای مذکور بهعنوان خروجی در نظر گرفته میشوند  پس از اینکه شبکه برای  نمونه آموزش پیدا کرد  برای    حالت مختلف هم شبکه تست شده است تا دقت پیشبینی شبکه مورد ارزیابی قرار بگیرد  همانطوریکه در جدول  نشان داده شده است  مقادیر پیشبینی



شده الگوریتم پس انتشار خطا بسیار نزدیک به مقادیر حقیقی بهدست آمده از نرمافزار آباکوس میباشند  با توجه به نتایج بهدست آمده از مقادیر پیشبینی شده به روش آموزش لونبرک   مارکوآرت که در   شکل      آورده شده است و مقادیر پیشبینی شده الگوریتم پس انتشار خطا که نتایج آن در جدول   نشان داده شده است  این نتایج بسیار نزدیک به مقادیر حقیقی بهدست آمده از نرمافزار آباکوس میباشند  که این نتایج دقت پیشبینی شبکه عصبی را در پارامترهای مذکور نشان میدهد    جمعبندی و نتیجهگیری در این مقاله از الگوریتم پس انتشار خطا یا قانون دلتای تعمیمیافته برای پیشبینی آسیب جدایی بینلایهای در ورق کامپوزیتی ه لایه استفاده شد  این روش براساس کاهش گرادیان بهمنظور به حداقل رساندن کل مربعات خطای خروجی محاسبه شده توسط شبکه میباشد  نحوه پیشبینی آسیب به این صورت است که ابتدا تحلیل ارتعاشات آزاد ورق کامپوزیتی مذکور براساس روش عددی اجزای محدود انجام گرفت و فرکانسهای طبیعی در مودهای خاص به ازای مدلهای مختلفی از آسیب جدایی بینلایهای  اندازه   خروج از مرکزی و موقعیت  بهدست آمد  سپس این فرکانسهای طبیعی به عنوان ورودی و پارامترهای اندازه  هندسه و موقعیت نیز بهعنوان خروجی شبکه عصبی درنظر گرفته شد  در واقع فرایند عیبیابی از نوعی روش معکوس برای شناسایی آسیب استفاده میکند  بعد از تولید داده برای سازه موردنظر  شبکه به گونهای آموزش میبیند که با دقت قابل قبولی بتواند محل و اندازه و هندسه آسیب را تشخیص دهد  همچنین شبکه را نباید بیش از حد آموزش داد  چون در این صورت شبکه عمومیت خود را از دست میدهد و تبدیل به یک حافظه میشود و برای دادههای جدید کاراییاش را از دست میدهد تحلیل عددی برای ورق کامپوزیتی  لایه با جدایی بینلایهای نشان میدهد که با افزایش اندازه منطقه جدایی بینلایهای و به نوعی با افزایش مساحت این ناحیه در یک موقعیت خاص  فرکانسهای طبیعی کاهش مییابد  این کاهش در مودهای بالا بیشتر دیده میشود  


مطالب پیشنهادی
متأسفانه موردی یافت نشد.
ناحیه کاربری

فرمت ایمیل صحیح نمی باشد. ایمیل خود را وارد نمایید.

رمز عبور خود را وارد نمایید.

گزیده ها
گزیده های پر بیننده ترین اخبار روز و هفته
گزیده های وبگردی و اخبار جذاب
گزیده های وبگردی و اخبار جذاب
گزیده های پر بیننده ترین اخبار روز و هفته
مجله اینترنتی دیتاسرا
کلیه حقوق مادی و معنوی این وبسایت متعلق به گروه نرم افزاری دیتاسرا می باشد.
Copyright © 2015