ارائه یک مدل پیشگو در بررسی رفتار پس کمانشی پوسته‌های مخروطی تقویت‌شده تحت‌تاثیر نقص شکل‌های هندسی با استفاده از شبکه‌های عصبی مصنوعی

در سال های اخیر، کاربرد پوسته‌های مخروطی تحت‌فشار خارجی به‌طور فزاینده ای در بدنه شناورهای زیرسطحی، بدنه موتور هواپیما و مخازن کارگاه‌های مواد شیمیایی توسعه یافته است. مقاومت پوسته‌های جدار نازک تحت‌فشار خارجی، اغلب تحت‌تاثیر پدیده کمانش است، پس بررسی این پدیده اهمیت زیادی دارد. کمانش پوسته های مخروطی به روش‌های مختلف ازجمله روش‌های تحلیلی و تجربی قابل‌محاسبه است که اغلب وقت‌گیر و دارای پیچیدگی‌های زیاد هستند. در این مقاله به کمک شبکه های عصبی، روشی ساده، سریع و دقیق برای پیش بینی فشار کمانشی و پس کمانشی پوسته های مخروطی ارائه می‌شود. ابتدا به کمک نرم‌افزار اجزاء محدود برای پوسته هایی با ضخامت و تقویت‌های مختلف فشار کمانشی و پس کمانشی محاسبه شده و در ادامه از نتایج تحلیل های عددی، آموزش‌های لازم به شبکه عصبی داده می شود. به‌منظور صحت‌سنجی نتایج، رفتار پیش‌بینی‌شده از طریق شبکه عصبی با نتایج حاصل از نرم‌افزار المان محدود مقایسه شده که بیانگر دقت بالای روش ارائه‌شده است. درنهایت با استفاده از مدل پیشگو، بار بحرانی کمانش خطی و غیرخطی برای پوسته های مخروطی در ضخامت و ابعاد تقویت مختلف در نمودارهایی ارائه می‌شود.

A Novel Predictive Model for Post-Buckling Behavior of Stiffened Conical Shells under Geometric Imperfections using Artificial Neural Networks

In recent years, the conical shells under external pressure are widely used in construction of the underwater pressure hulls, covers of aeroengines and storage tanks. Strength of thinwalled shells under external pressure are usually influenced by the buckling phenomenon. So, its study is in high degree of importance. The buckling analysis of thin conical shells based on theoretical and experimental methods is accompanied by shortcomings such as time consuming and complexity. In this paper, an efficient method based on Artificial Neural Network (ANN) is presented for prediction of buckling and postbuckling behavior of conical shells. Primarily, the linear and nonlinear buckling loads of the truncated cones with various thickness and stiffener dimensions are obtained by using the Finite Element (FE) analysis. Then, these obtained results are submitted to the Neural Network for training. In order to verify the solution procedure, the predicted results of ANN are compared with those of extracted from FE analysis. It is shown, that the predictive model benefits from high convergence and accuracy. Finally, some predicted results of buckling and postbuckling analysis of conical shells is figured.