مطالعه رفتار فروریزش سازه های مخروطی چند سلولی و بهینه سازی آن‌ها با استفاده از شبکه عصبی مصنوعی

در تحقیق حاضر، رفتار لهیدگی سازه‌های مخروطی چند سلولی تحت بارگذاری دینامیکی محوری بررسی شده است. این سازه‌ها مخروطی از دو جداره داخلی و بیرونی تشکیل شده‌ است که توسط چند صفحه تقویتی به همدیگر متصل شده‌‌اند. سازه‌های مذکور در پنج نوع سطح مقطع مربعی، شش‌ ضلعی، هشت ‌ضلعی، ده ضلعی و دایروی مورد بررسی قرار گرفته‌اند. قبل از انجام شبیه‌سازی‌های عددی رفتار لهیدگی سازه‌های مذکور با استفاده از نرم‌افزار ال‌اسداینا، نتایج عددی با نتایج آزمایش‌های تجربی صحت‌سنجی شدند. پس از حصول اطمینان از درستی مدل اجزاء محدود ایجاد شده، شاخص‌های جذب انرژی ویژه (sea) و بیشینه نیروی لهیدگی ( f‌max) برای همه سازه‌ها جهت پیدا کردن بهترین سازه از نقطه نظر عملکرد جذب انرژی محاسبه شدند. در ادامه با استفاده از روش شبکه‌ عصبی مصنوعی و الگوریتم ژنتیک، مقادیر بهینه ابعاد سازه‌های مذکور (شامل زاویه مخروط (ө) و نسبت اندازه جداره داخلی به اندازه جداره بیرونی (s)) به دست آورده شدند. سپس از میان سازه‌های بهینه شده، بهترین سازه به کمک روش تصمیم‌گیری چند معیاره تاپسیس انتخاب گردید. نتایج نشان داد که سازه مخروطی دایروی دارای بهترین عملکرد با پارامترهای طراحی°3.94‌‌‌=θو 0.578‌‌‌=s‌بوده و بنابراین به عنوان بهترین جاذب انرژی معرفی گردیده است. در پایان اثر تورفتگی قسمت داخلی سازه (جداره داخلی و تقویتی) بررسی شد و نتایج نشان داد که تورفتگی جداره داخلی نتیجه‌ مناسب‌تری دارد.

Study on the collapse behavior of multicell conical structures and their optimization using artificial neural networks

In the present research, the collapse behavior of multicell conical structures has been studied under axial dynamic loading. These conical structures consisted of two inner and outer walls which have been connected together by several plates as stiffeners. These structures were assumed to have five different crosssections of square, hexagonal, octagonal, decagonal and circular. Before performing the numerical simulations using LSDYNA, the numerical results were validated by experimental results. After ensuring correctness of the created finite element models, indicators of SEA and F_max were then computed for all the structures to find the best structure from the crashworthiness point of view. ‌‌The artificial neural networks and genetic algorithm methods were used to obtain the optimized dimentions of the mentioned structures including θ (cone angle) and S (ratio of the inner wall size to the outer wall one). Among the optimized structures, the best structure was selected using the decision making method called TOPSIS. ‌The multicell conical structure with circular crosssection having dimensions of S=0.578 and θ=3.94°, was found to perform the best in terms of crashworthiness capability. Effect of triggers (inner wall and stiffeners) was finally studied, and the results revealed that the triggering by inner wall had a suitable result.