پیش‌بینی میدان تنش با استفاده از شبکه مولد تخاصمی شرطی و پردازش تصویر در یک صفحه سوراخ‌دار تحت بارگذاری استاتیکی

بررسی خواص و رفتار مکانیکی مواد و میدان های تنش و کرنش از روش‌هایی مانند آزمایش‌های تجربی، شبیه‌سازی‌های عددی و حل دقیق ریاضی صورت می پذیرد. در سال‌های اخیر، یادگیری ماشین و به‌ویژه یادگیری عمیق به یکی از روش‌های پرکاربرد در حوزه‌های مختلف مهندسی تبدیل شده‌اند. یکی از کاربردهای مهم آن، پیش‌بینی رفتار مواد در سازه های مختلف می‌باشد. این روش‌ها به دلیل سرعت بالا، دقت مناسب و سهولت در پیاده‌سازی، توجه ویژه‌ای را به خود جلب کرده‌اند و به‌عنوان جایگزین یا ابزار کمکی برای روش‌های سنتی تحلیل مورد استفاده قرار می‌گیرند و با استفاده از فرآیند یادگیری ماشین در صورت مشخصه سازی صحیح مسائل می تواندد در یک فرآیند یادگیری ماشین ابزاری به مراتب قوی تر از ابزارهای پیشین فراهم سازند. هدف از این مقاله، پیش‌بینی میدان تنش و حداکثر تنش وارده بر یک صفحه سوراخ‌دار تحت بارگذاری استاتیکی با استفاده از روش یادگیری عمیق مبتنی بر شبکه مولد تخاصمی شرطی و کمی سازی نتایج با استفاده از روش پردازش تصویر می‌باشد. همچنین در پایان، نتایج عددی به‌دست‌آمده از این مدل استخراج شده و با نتایج حاصل از تحلیل اجزاء محدود مقایسه می‌گردد تا میزان دقت مدل پیشنهادی مورد ارزیابی قرار گیرد. 

stress field prediction using conditional generative adversarial networks and image processing in a perforated plate under static loading

the study of the mechanical properties and behavior of materials، as well as stress and strain fields، has been carried out using methods such as experiments، numerical methods، and precise mathematical solutions over the decades. in recent years، machine learning، and especially deep learning، have become one of the most commonly used methods in various engineering fields. one of its important applications is the prediction of material behavior in numerous structures. these methods have drawn significant attention due to their rapid execution، apposite accuracy، and implementation convenience، and are used as an alternative or supplementary tool for traditional analysis methods. using the machine learning method، in case the problems are properly characterized، they can provide a much more powerful tool in a machine learning process compared to other tools. the purpose of this paper is to predict the stress field and maximum stress on a perforated plate under static loading using a deep learning method based on a conditional adversarial generative network (cgans) and to quantify the results using an image processing method. also، at the end، the numerical results obtained from this model are extracted and compared with the results attained from finite element analysis to evaluate the accuracy of the proposed model