پیش ‌بینی پاسخ پلاستیک ورق‌ های فلزی دایره‌ای تحت بار دینامیکی یکنواخت با استفاده از شبکه عصبی عمیق

در تحقیق پیش رو با استفاده از شبکه‌های عصبی عمیق به پیش ‌بینی میزان بیشترین خیر ورق‌های فلزی دایره‌ای شکل تحت بار شدید دینامیکی یکنواخت پرداخته می‌شود. شبکه عصبی ارائه‌شده در این تحقیق در محیط زبان برنامه‌نویسی پایتون و با استفاده از کتابخانه‌های موجود در آن ازجمله تنسورفلو طراحی گردید. مدل طراحی شبکه مبتنی بر مسئله رگرسیون و از نوع سکوئنشال و شامل 10 لایه می‌باشد که تابع فعال‌ساز موجود در نورون‌ها از نوع لیکی رلو (leaky relu) هستند. الگوریتم بهینه‌ساز مدل روی آدام و تابع هدف مسئله میانگین مربعات خطا و تعداد تکرار شبکه روی 700 مرتبه تنظیم شد. مجموعه داده مورداستفاده در این مقاله متشکل از 581 نمونه حاصل از 16 سری آزمایش در طی چهل سال گذشته می‌باشد که به‌وسیله کتابخانه سایکیت-لرن استانداردسازی شدند. ورق‌های فلزی از چهار جنس فولادی، آلومینیوم، مس و تیتانیوم می‌باشند و هیچ‌گونه تفکیکی میان فلزات مختلف صورت نگرفته است. تعداد داده‌های آموزشی در مدل 443 عدد معادل 75% از مجموعه داده تعیین شد. همچنین تعداد داده‌های آزمایشی و ارزیاب به ترتیب 88 عدد معادل 15% و 50 عدد معادل 10% از کل مجموعه داده انتخاب شد. هر نمونه دارای 8 ویژگی به‌عنوان ورودی‌های شبکه عصبی و یک برچسب به‌عنوان خروجی می‌باشد. مدل هوشمند ارائه‌شده از میان 88 داده آزمایشی که به‌صورت کاملاً تصادفی از مجموعه داده انتخاب‌شده بود، توانست 76% از داده‌ها تقریباً معادل 67 عدد را در محدوده خطای کمتر از 10% و 88% از داده‌ها یا به‌عبارت‌دیگر معادل تقریباً 78 عدد را در محدوده خطای کمتر از 20% پیش‌بینی کند. میزان شاخص ریشه میانگین مربعات خطا 102 برابر نسبت به روابط پیش‌بینی کننده تحلیلی و سنتی موجود در سوابق تحقیق کاهش پیدا کرد. همچنین معیار ضریب تعیین که شاخصی مهم جهت ارزیابی عملکرد شبکه‌های عصبی مبتنی بر مسائل رگرسیون می‌باشد مقدار 0.96 را در بر گرفته است.

predicting the plastic response of circular metal plates under uniform dynamic load using deep neural network

in the upcoming research, using deep neural networks, it is used to predict the maximum yield of circular metal sheets under uniform dynamic load. the neural network presented in this research was designed in the python programming language and using the libraries available in it, including tensorflow. the network is based on the regression problem and is of sequential type and includes 10 hidden layers which are the activation function in neurons of leaky relu type. the network optimizer algorithm was set to adam and the objective function of the mse problem and the number of network iterations was set to 700 times. the data set used in this article consists of 581 samples obtained from 16 series of experiments during the last forty years, which were standardized by the scikit_learn library. the metal sheets are of 4 types: steel, aluminum, copper and titanium, and there is no separation between different metals.  the number of training data in the model was determined to be 443 equals to 75% of the data set. also, the number of experimental and evaluator data was selected as 88 numbers equivalent to 15% and 50 numbers equivalent to 10% of the entire data set. each sample has 8 features as neural network inputs and one label as output. the presented intelligent model among the 88 test data that was completely randomly selected from the data set was able to classify 76% of the data, approximately equivalent to 67 numbers, within the error range of less than 10% and 88% of the data, or in other words, equivalent to approximately 78 numbers within the error range. predict less than 20%. the amount of the root mean square error index decreased 102 times compared to the analytical and traditional predictive relationships available in the research records. also, the coefficient of determination criterion, which is an important indicator for evaluating the performance of neural networks based on regression problems, includes the value of 0.96.