پیش ‌بینی خرابی خطوط لوله آسیب ‎دیده با کمک شبیه ‌سازی اجزاء محدود برهمکنش سیال - سازه و شبکه عصبی

بروز شکست در خطوط لوله سبب خسارات زیادی از جمله آسیب به محیط‌ زیست و منابع طبیعی و تحمیل هزینه‌های بالای تعمیرات می‌گردد. لذا در این پژوهش با بهره‌گیری از شبیه‌سازی اجزاء محدود پدیده برهمکنش سیال- جامد بین سیال عبوری و لوله آسیب‌ دیده، توزیع تنش و خرابی در لوله آسیب‌دیده مورد بررسی شده است. با توجه به زمانبر بودن شبیه‌سازی برهمکنش سازه-سیال با روش اجزاء محدود، از یک شبکه عصبی مصنوعی نیز به ‌منظور پیش‌بینی رفتار خطوط لوله آسیب‌ دیده استفاده‌ شده تا بتواند با تغییر شرایط کاری یا آسیب لوله رفتار آن را پیش‌بینی نماید. جهت آموزش این شبکه عصبی مصنوعی از الگوریتم انتشار بازگشتی بهره گرفته شده است. به این منظور، ابتدا بیشینه تنش‌ها در لوله معیوب برای مقادیر مختلف سرعت سیال، اندازه، فاصله و عمق آسیب با روش اجزاء محدود محاسبه و به عنوان تابع هدف در نظر گرفته شده است. سپس از مقادیر به دست آمده برای آموزش شبکه عصبی استفاده گردیده است. برای بدست آوردن ساختار بهینه شبکه عصبی و افزایش دقت آن، مقادیر پارامترهای طراحی با روش تاگوچی تعیین شده است. نتایج به‌ دست‌ آمده نشان دادند که ترکیب روش اجزا، محدود برای تحلیل برهمکنش سازه-سیال و روش شبکه عصبی مصنوعی، ابزار مناسبی برای بررسی و پیش‌بینی شکست در لوله‌های معیوب است.

failure prediction in defective pipelines using finite element simulation of fluid-structure interaction and neural network method

the occurrence of pipeline failures can lead to significant damage to the environment and natural resources, as well as high repair costs. in this study, the finite element simulation is employed to model the fluid-structure interaction between the fluid flow and the damaged pipe wall to investigate stress distribution and failure in damaged pipes. given the time-consuming nature of this simulation, an artificial neural network is also used to predict the behavior of the damaged pipe. this neural network is trained using a recurrent backpropagation algorithm. to this end, the maximum stress in the damaged pipe is considered as the objective function and is calculated by the finite element method for different values of the flow velocity, size, distance, and depth of the defects. the design parameters are selected by taguchi method to optimize the neural network structure and increase its accuracy. the results have suggested that combining the finite element and artificial neural network methods is an effective approach for failure prediction in defective pipelines.