پیش بینی حدود نواحی تماس ناقص در مسائل تماس استاتیکی دوبعدی با استفاده از شبکه عصبی مصنوعی

در این تحقیق به بررسی کارآیی شبکه‌ عصبی مصنوعی در حل مسائل مکانیک تماس پرداخته می شود. مسائل تماس به دلیل پیچیدگی ذاتی و تکرر وقوع در سیستم‌های مهندسی از اهمیت خاصی برخوردار هستند و با وجود توانمندی روش‌های تحلیلی و عددی در حل این مسائل، مشکلات این روش ها در حل مسائلی با هندسه و بارگذاری های پیچیده همچنان باقی است. در این تحقیق توانایی شبکه‌ عصبی برای محاسبه‌ حدود نواحی تماس ناقص بدون  اصطکاک برای هندسه های تک ناحیه ای و چندناحیه ای متقارن مورد بررسی قرار می گیرد. در این راستا از شبکه‌ perceptron چند‌لایه و الگوریتم لونبرگ مارکوات در شبکه‌ عصبی نرم افزار matlab استفاده می شود و مدل بهینه‌ شبکه برای هر مسئله با سعی و خطا به ‌دست می آید. سپس کارآیی این الگوریتم برای هر کدام از موردهای مطالعه، ارزیابی و با سایر روش ها مقایسه می شود. نتیجه‌ این تحقیق نشان می دهد که پاسخ مدل شبکه‌ عصبی بهینه برای ورودی های تصادفی داخل محدوده‌ داده های به ‌کار گرفته شده برای یادگیری، برای یک تا سه خروجی، بسیار مطلوب و با دقت بیش از نود درصد در مقایسه با پاسخ روش های تحلیلی، نیمه‌تحلیلی و عددی می باشد.

prediction the extent of incomplete contact zones in two-dimensional static contact problems using artificial neural network

this research investigates the performance of artificial neural network in solving contact problems, which are important due to their inherent complexity and prevalence in engineering systems. while analytical and numerical methods can solve some contactproblems, they often struggle with complicated loading and geometries. this study specifically examines the neural network'scapability to determine the extent of incomplete contact zones in symmetric geometries involving single and multiple contactsbetween frictionless surfaces. to achieve this, a multi-layer perceptron network is implemented using the levenberg-marquardt algorithm within matlab. the optimal network model for each problem is identified through a trial-and-error approach.furthermore, the performance of this algorithm across all case studies is evaluated and compared with other methods. the findingsdemonstrate that the optimal neural network model can predict outcomes with over ninety percent accuracy when compared toanalytical, semi-analytical, and numerical solutions. this accuracy is achieved for random inputs within the training data range andfor one to three outputs. such results underscore the potential of neural networks to deliver high precision across variousapplications.