استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی

اختصاصی از کوشا فایل استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه کارشناسی ارشد مهندسی عمران گرایش سازه های دریایی با عنوان: استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی 

• دانشگاه تربیت مدرس 

• استاد راهنما: دکتر علی اکبر آقاکوچک 

• پژوهشگر: علی فتحی 

• سال انتشار: زمستان 1382 

• فرمت فایل: PDF و شامل 195 صفحه

چکیــــده:

برای تخمین عمر باقیمانده سازه یک سکوی دریایی و تدوین برنامه زمان بندی بهینه جهت بازرسی و تعمیر در زیر آب، نیاز است تا آهنگ رشد ترک خستگی در اتصالات لوله‌ای به صورت مناسب پیش بینی شود. به دلیل کوچک بودن شعاع منطقه پلاستیک در نوک ترک خستگی، مکانیک شکست خطی و ضریب شدت تنش، ابزار مناسبی برای تعیین سرعت رشد ترک خستگی بشمار می‌رود. تاکنون راهکارهای متنوعی با استفاده از روش‌های مختلفی برای تعیین سرعت رشد ترک خستگی در اتصالات لوله‌ای بر اساس قانون رشد ترک پاریس معرفی شده‌اند که نتایج حل آنها منجر به ارائه معادلاتی برای تعیین ضریب اصلاح شدت تنش Y و ضریب بزرگنمایی جوش Mk شده است.

در این تحقیق قابلیت شبکه‌های عصبی مصنوعی در پیش بینی سرعت رشد ترک در اتصالات لوله‌ای T مورد ارزیابی قرار گرفته است. برای این منظور بازه رشد ترک به دو قسمت تقسیم شده است. در حالی که عمق ترک کمتر از 20% ضخامت جداره Chord است، به دلیل تاثیر پذیری عمده فرآیند رشد ترک از هندسه جوش، شبکه‌های عصبی نوع MLP برای پیش بینی ضریب بزرگنمایی جوش (در اتصال T-butt حاوی ترک در پنجه جوش) در دو منطقه عمق و انتهای ترک تحت تنش‌های غشایی و خمشی، طراحی شده و آموزش دیده است (داده‌های مورد استفاده برای آموزش و آزمون شبکه از نتایج موجود بدست آمده از روش اجزای محدود انتخاب شده است). در این قسمت ضریب Y را از روش Newman-Raju می‌توان محاسبه کرد و با ضریب Mk اصلاح نمود. در حالتی که عمق ترک بیش از ضخامت جداره Chord است، فرآیند رشد ترک بیشترین تاثیر را از هندسه اتصال و مد بارگذاری می‌پذیرد. در این قسمت، حل اختصاصی برای اتصال لوله‌ای T تحت بار محوری، انجام شده است که در آن شبکه عصبی از نوع RBF برای تخمین ضریب اصلاح شدت تنش در عمق ترک خستگی واقع در نقطه زینی اتصال T تحت بار محوری، طراحی شده و آموزش دیده است. اطلاعات ورودی برای این شبکه، نسبت عمق به عرض ترک و درصد رشد ترک در عمق جداره است. داده‌های استفاده شده برای آموزش و آزمون شبکه نتایج آزمایش روی شش اتصال T در مرکز NDE دانشگاه UCL است.

همچنین برای هر قسمت نتایج حل به کمک شبکه‌های عصبی با نتایج برخی روش‌های موجود مقایسه شده است.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **