پیشبینی طول عمر با استفاده از مدل یادگیری عمیق ترکیبی بر مبنای دادههای مکانیکی خستگی چندمحوره | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| دوره 57، شماره 11، بهمن 1404، صفحه 1455-1476 اصل مقاله (2.16 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2026.25206.7929 | ||
| نویسندگان | ||
| بهنام انبارلویی* 1؛ سیدمحمدمهدی روح الامینی2 | ||
| 1دانشکده مهندسی هوافضا، دانشگاه شهید بهشتی | ||
| 2دانشکده هوافضا و فناوریهای نوین، دانشگاه شهید بهشتی | ||
| چکیده | ||
| پیشبینی عمر خستگی مواد از چالشهای بنیادی در طراحی سازههای مهندسی است و نقشی کلیدی در ارتقای ایمنی و کاهش هزینههای نگهداری دارد. روشهای تجربی و مکانیکی کلاسیک، علیرغم کاربرد گسترده، در توصیف رفتارهای غیرخطی ناشی از بارگذاریهای متغیر با مشکلات متعددی مواجه هستند. در این پژوهش، مدلی ترکیبی بر پایه یادگیری عمیق برای مطالعه طول عمر خستگی توسعه داده شده که از سه بخش اصلی تشکیل میشود: شبکه کاملاً متصل برای ویژگیهای عددی مواد، شبکه بازگشتی دوطرفه برای استخراج الگوهای زمانی بارگذاری و ماژول ترنسفورمر برای ادغام اطلاعات دو مسیر و یادگیری روابط سطحبالا. دادههای آزمایشگاهی شامل مشخصات مکانیکی و مسیر تنش–کرنش. پس از نرمالسازی و تفکیک دادهها به مجموعه آموزش و آزمون، مجموعه آموزش با الگوریتم بهینهسازی به تعداد ۲۰۰۰ تکرار آموزش داده شد. نتایج حاکی از دقت بالا و ضریب تعیین قابلقبول R2 مدل پیشنهادی بر روی مجموعه آزمون و برتری آن نسبت به رویکردهای پایه است. برخلاف پژوهشهای پیشین که عمدتاً بر تکمدلهای یادگیری عمیق متکی بودند، نوآوری اصلی این پژوهش در همافزایی میان لایههای تماممتصل ، شبکه عصبی حافظه کوتاهمدت طولانی دوطرفه و مکانیزم توجه در ترنسفورمر نهفته است که امکان یادگیری همزمانِ ویژگیهای هندسی مواد و وابستگیهای زمانیِ پیچیده در تاریخچه بارگذاری را فراهم میآورد.این چارچوب چندمسیره قابلیت بالایی برای کاربرد در سامانههای پایش سلامت و طراحی بهینه سازهها دارد. | ||
| کلیدواژهها | ||
| عمر خستگی؛ یادگیری عمیق؛ شبکهی عصبی بازگشتی؛ ترنسفورمر؛ بارگذاری تنش-کرنش | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 151 تعداد دریافت فایل اصل مقاله: 48 |
||
| تعداد نشریات | 9 |
| تعداد شمارهها | 465 |
| تعداد مقالات | 5,841 |
| تعداد مشاهده مقاله | 8,758,930 |
| تعداد دریافت فایل اصل مقاله | 7,365,924 |