کاهش مرتبه معادله ورق با استفاده از مدل رتبه کاسته بر اساس توابع متعامد بهینه
Publish place: هشتمین همایش ملی مهندسی مکانیک
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 569
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
NCOFME08_068
Index date: 15 December 2016
کاهش مرتبه معادله ورق با استفاده از مدل رتبه کاسته بر اساس توابع متعامد بهینه abstract
کاهش مرتبه معادلات PDE از مهمترین بخش های تحلیل و مدلسازی سیستم های دینامیکی است. روش POD به همراه تصویر سازی گالرکین می تواند معادلات PDE را به سادگی و با دقت بالا کاهش رتبه بدهد. بدین منظور در این مقاله ابتدا یک ورق مستطیلی با شرایط مرزی دربلکه در نظر گرفته شد که با استفاده از روش تجزیه متعامد بهینه تعداد مشخصی از توابع متعامد که هریک بیانگر یک مود متعامد بهینه هستند، استخراج شد. سپس با تصویرسازی گالرکین این توابع در معادله ورق کلاسیک، به تعداد توابع متعامد انتخابی، معادله ODE حاصل شد که این معادلات، مدل رتبه کاسته ای از معادله ورق بر مبنای توابع متعامد بهینه هستند. معادلات حاصله تحلیل شده و نتایج آن با ضرایب مودال حاصله از تجزیه متعامد بهینه مقایسه گردید. هدف اصلی در این مقاله پیدا کردن شرایطی است که باعث انطباق LD Model POD Based و ضرایب مودال POD می شود. این شرایط به گام زمانی و تعداد المان وابسته است که با انتخاب صحیح آنها در شرایط تگیه گاهی متفاوت، ضرایب مودال POD و نتایج تحلیل LD Model POD Based متناسب خواهند بود. در نهایت با ضریب یک ثابت در مودهای متعامد بهینه، ضرایب مودال دو روش منطبق شدند.
کاهش مرتبه معادله ورق با استفاده از مدل رتبه کاسته بر اساس توابع متعامد بهینه Keywords:
کاهش مرتبه معادله ورق با استفاده از مدل رتبه کاسته بر اساس توابع متعامد بهینه authors
سیدعلی افتخاری
استادیار، دانشکده مکانیک، دانشگاه آزاد اسلامی واحد خمینی شهر
وحید قاسمی
کارشناس ارشد دانشکده مکانیک، دانشگاه آزاد اسلامی واحد خمینی شهر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :