بهینه‌سازی شکست ساختار شبکه‌ای با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

در این پژوهش یک ساختار شبکه‌ای 4×4 مربعی از جنس تیتانیوم با استفاده از پارامترهای مرتبط تحت نیروی کششی بهینه‌سازی شده است. ساختار شبکه‌ای یک ساختار چهارضلعی با طول ضلع l و زاویه θ می‌باشد و ترتیب شکست دیواره‌ها با استفاده از نرم‌افزار متلب و روش المان محدود مقایسه شده است. در پژوهش حاضر تابع هدف در بهینه‌سازی، افزایش جذب انرژی و به حداقل رساندن بیش‌ترین تنش در نظر گرفته شده است و تاثیر پارامترهای اندازه اضلاع و زوایای مختلف در این ساختار مورد بررسی قرار گرفته است. 100 حالت مختلف برای مقادیر l و θ با خروجی مساحت زیر نمودار (انرژی جذب‌شده) و بیش‌ترین تنش و کرنش از نرم‌افزار متلب به‌دست آمده است. با داشتن داده‌های ورودی (l و θ) و خروجی (انرژی جذب‌شده و بیش‌ترین تنش)، شبکه عصبی آموزش داده شده و با استفاده از مدل رگرسیون در شبکه عصبی میزان پیش‌ بینی با دقت بالای 99 درصد به‌دست آمده است که از دقت بالایی برخوردار می‌باشد. تابع ارتباط بین ورودی‌ها و خروجی‌های شبکه عصبی از نرم‌افزار متلب به‌دست آمده است و بهینه‌ سازی این ساختار شبکه‌ای 4×4 با استفاده از الگوریتم ژنتیک صورت گرفته است. تابع هدف در این پژوهش افزایش جذب انرژی و به حداقل رساندن بیش‌ترین تنش می‌باشد تا سازه شبکه‌ای بیش‌ترین استحکام را با در نظر گرفتن پارامترهای مورد بررسی داشته باشد.

optimizing the failure analysis of a network structure using artificial neural network and genetic algorithm

in this study, a 4×4 square network structure made of titanium has been optimized under tensile force using relevant parameters. the network structure is a quadrilateral structure with a side length of l and θ, and the fracture order of the walls has been compared using matlab software and simulation with abaqus software, and the results of the fracture order of the structure match each other. in the present study, the objective function in optimization is to increase energy absorption and minimize the maximum stress, and the effect of parameters such as side lengths and various angles in this structure has been investigated. 100 different cases have been obtained for values of l and θ with output of area under the curve (energy absorbed) and maximum stress and strain using matlab software. with input data (l and θ) and output data (energy absorbed and maximum stress), a neural network has been trained and a regression model has been used in the neural network to achieve a prediction accuracy of over 99%, which is a high level of accuracy. the relationship function between input and output of the neural network has been obtained using matlab software, and the optimization of this 4×4 network structure has been carried out using the genetic algorithm. the objective function in this study is to increase energy absorption and minimize the maximum stress so that the network structure has the highest strength considering the examined parameters.