رویکردهای تحلیلی، عددی و بهینه سازی برای پیش بینی بار کمانش در استوانه های ساندویچی با هسته های هایپرالاستیک با استفاده از تکنیک همبستگی ارتعاشی، شبکه های عصبی مصنوعی و الگوریتم های ژنتیک

تکنیک همبستگی ارتعاشی (VCT) یک ابزار پیشرفته برای پیش بینی بار کمانش سازه هاست که به دلیل مقرون به صرفه بودن و ماهیت غیرمخرب، ارزش بالایی در پژوهش های سطح بالا دارد. این مطالعه به برآورد بار کمانش یک استوانه ساندویچی با هسته هایپرالاستیک و لایه های کامپوزیتی با استفاده از VCT می پردازد و در عین حال پارامترهای هندسی شامل زوایای فیبر θ₁ تا θ₈ و ضخامت هسته را بهینه سازی می کند. این پژوهش، اولین مطالعه بهینه سازی روی یک ساختار استوانه ای با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک است. در مجموع ۲۴۳ شبیه سازی در نرم افزار آباکوس انجام شد و یک شبکه عصبی با یک لایه پنهان توسعه یافت. تابع استخراج شده از ANN به عنوان تابع هدف در GA استفاده شد. فرآیند بهینه سازی با هدف بیشینه سازی بار بحرانی کمانش ویژه تعریف شده به عنوان نسبت بار بحرانی کمانش به وزن سازه و فرکانس طبیعی بحرانی ویژه تعریف شده به عنوان نسبت اولین فرکانس طبیعی بحرانی به وزن سازه انجام گرفت. همچنین، فرمولاسیون تحلیلی بررسی شده و معادلات حاکم با روش ریتز حل شدند. در نهایت، نتایج حاصل از روش های مختلف مقایسه شده اند. این مطالعه، اولین پژوهشی است که روش VCT را روی یک استوانه ساندویچی با هسته هایپرالاستیک و لایه های کامپوزیتی اعمال می کند. نتایج نشان داد که VCT روشی موثر برای پیش بینی دقیق بار کمانش چنین ساختارهای پیچیده ای است.

Keywords:

شبکه عصبی مصنوعی , روش ریتز , استوانه ساندویچی , هسته هایپرالاستیک , بهینه سازی با الگوریتم ژنتیک