| عنوان فارسی مقاله: | شبکه عصبی و الگوریتم ژنتیکی در پشته سازی لامینیت کامپوزیتی |
| عنوان انگلیسی مقاله: | Optimization of Stacking Sequence of Composite Laminates for optimizing buckling load by Neural Network and genetic algorithm |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| تعداد صفحات مقاله انگلیسی | 10 صفحه |
| تعداد صفحات ترجمه مقاله | 10 صفحه |
| کلمات کلیدی | توالی پشته سازی، الگوریتم های ژنتیکی، لامینات کامپوزیت، بار کمانش، شبکه های عصبی |
| دانشگاه | امام حسین |
| مجله | مهندسی مکانیک |
فهرست مطالب:
چکیده
۱ مقدمه
۲ شبکه های عصبی مصنوعی
شبکه های عصبی پرسپترون چند لایه (MLP)
خصوصیات شبکه عصبی
۳ تقریب تابع کمانش استوانه کامپوزیت با روش MLP
مدلسازی و بحث
۴ الگوریتم های ژنتیکی
۱ ۴ کلیات
۲ ۴ توالی پشته سازی لامینات های کامپوزیت
۳ ۴ کاربرد GA برای به حداکثر رساندن بار کمانش بحرانی
۵ بهینه سازی پوسته لامینات کمپوزیت با لامینات های ۱۰ لایه:
۶ نتیجه گیری
بخشی از ترجمه:
۱ مقدمه
لامینات های کمپوزیت کاربردهای گسترده ای در سازه های هوافضا داشته و بهینه سازیهای توالی های پشته سازی نظیر واجب می باشد. بسیاری از سازه های تولید شده از این مواد نظیر تیرها در جعبه های بال هواپیما پوسته ها یا شل های دیواره نازکی تشکیل داده و همچنین مستعد شکست ناشی از کمانش می باشند. بنابراین لازم است آغاز این کمانش را بتوان پیش بینی نمود و اثر کمانش بر ظرفیت باربری سازه مشخص و کمیت سنجی گردد.
تا کنون، مسئله عمدتاً با استفاده از تکنیک های بهینه سازی بر مبنای گرادیان بررسی شده است. اخیراً با استفاده از الگوریتم های تکاملی مطالعه شده است که نوعی ابزارهای بهینه سازی می باشند که از گرادیان تابع هدف استفاده نمی کنند. الگوریتم ژنتیکی (GA) معمول ترین گزینه انتخابی مورد استفاده در تحقیق و پژوهش می باشد. GA در واقع به اجرای قواعد مطرح شده توسط نظریه داروین اشاره می کند. این الگوریتم ساده با مسائل بهینه سازی گسسته سرو کار دارد.
برای بهینه سازی توالی های پشته سازی، الگوریتم های ژنتیکی (GA) اقتباس شده اند. از آنجایی که GA یکی از شیوه های جستجوی تصادفی است، در نتیجه برای اجتناب از هر گونه کاهش در عملکرد محاسباتی نیاز به فرایندهای تنظیم کننده پارامتر دارند. در جریان ارزیابی کروموزوم ها، این الگوریتم ها هزینه های محاسباتی بالایی دارند. محققین از روشهای بهینه سازی مختلف برای تعدادی از مسائل طراحی من جمله مواد کامپوزیت با استفاده ازمتغیرهای طراحی مثل جهت فیبر، ضخامت لایه ، یا توالی پشته سازی استفاده کردند. به عنوان یکی از روشها، برشمارش، ارزیابی کلیه طرح های ممکن دارای کاربرد محدودی می باشد؛ برای اکثر مسائل از لحاظ محاسباتی بسیار هزینه بر و برای بسیاری، غیر عملی می باشد. الگوریتم های ژنتیکی (GA) مناسب بهینه سازی توالی پشته سازی بوده و به خاطرتصادفی بودنشان، قادر به تولید بهینه های جایگزین (اپتیما) در دورهای مکرر می باشند.
بخشی از مقاله انگلیسی:
1. Introduction
composite laminates have widespread applications in aerospace structures, and optimizations of the corresponding stacking sequences are indispensable. Many of the structures manufactured from these materials such as spars in aircraft wing boxes constitute thin walled shells and as such are prone to failure by buckling. It is essential therefore that the onset of this buckling can be predicted, and the effect of buckling on the load carrying capacity of the structure is understood and quantified.
Until now, the problem has mainly been addressed by using gradient-based optimization techniques.
Recently, it has been studied by using evolutionary algorithms, which are optimization tools that do not make use of the gradient of the objective function. Genetic algorithm (GA) is the most common choices treated in literature. GA is an implementation of the rules stated by the Darwin’s theory. This simple algorithm deals with discrete optimization problems.
Genetic algorithms (GAs) are adopted for optimization of the stacking sequences [3–9]. Since GAs are one of the stochastic search approaches, they require several parameter tuning processes to avoid any reduction in the computational performance. In the evaluation of chromosomes, these GAs involve high computational costs.
Researchers applied various optimization methods to a number of different design problems involving composite materials using design variables such as fiber direction, ply thickness, or stacking sequence. As one of the methods, enumeration, evaluating all possible designs, has a restricted applicability; for most problems it is computationally too expensive, for many impracticable. Genetic algorithms (GA) are well suited for stacking sequence optimization, and because of their random nature, they can produce alternative optima in repeated runs. The first application of the algorithm to a structural design problem was presented by Goldberg and Samtani [1], who solved a well-known weight minimization problem of a 10-bar truss structure. The GA algorithm was also applied to optimization of composite laminates. Sivakumar et al. [2] attempted to design a laminated composite plate in the presence of elliptical cutouts for optimum free-vibration response. Park et al. [3] used a GA for the optimal design of composite laminates which comprises four plies subject to various in-plane loading conditions. Fiber orientations of layers were taken as design variables and the objective function was formulated using Tsai-Hill failure criterion. Kristinsdottir et al. [4] presented a formulation to optimize the design of large composite panels when loads vary over the panel. The aim was to minimize the weight of the panel using the thickness and orientations of layers as design variables. They used a global optimization algorithm, improving Hit-and-Run (IHR). Antonio [5] applied the Newton-Raphson iterative procedure and the arc-length method to optimize geometrically nonlinear composite structures based on load–displacement control. Using the fiber orientations as design variablesSavic et al. [6] tried to maximize beam bending and beam axial stiffness using IHR. Duvaut et al. [7] developed a method for determining the optimal direction and volume fraction of fibers at each point of a structure. The fiber orientation and the fiber volume fraction were assumed to be constant within each element of the model, but they varied from element to element.
| عنوان فارسی مقاله: | شبکه عصبی و الگوریتم ژنتیکی در پشته سازی لامینیت کامپوزیتی |
| عنوان انگلیسی مقاله: | Optimization of Stacking Sequence of Composite Laminates for optimizing buckling load by Neural Network and genetic algorithm |