تعیین سرعت رشد خستگی در اتصالات لوله‌ای به وسیله شبکههای عصبی مصنوعی
نویسندگان
چکیده مقاله:
In order to predict the residual life of offshore platforms and establish efficient schedule for underwater inspection and repair, it is necessary to estimate the fatigue crack growth rate in tubular joints properly. Linear Elastic Fracture Mechanics and Stress Intensity Factor are applicable tools for evaluating growth rate of existing fatigue cracks in offshore tubular joints. In the past several approaches based on Paris crack growth law, have been proposed in this regard. Each of these approaches use different methods for estimating the Stress Intensity Modification Factor (Y). In this research the capability of Artificial Neural Networks for evaluating the fatigue crack growth rate in offshore tubular T-joints under axial loading is investigated, when the crack depth is more than 20% of chord wall thickness. For this condition the crack growth process is highly affected by joint geometry and loading mode. Two types of artificial neural network are developed for predicting the Y factor: Radial Basis Function (RBF) and Multi Layer Perceptron (MLP) networks. The required input data consist of the crack shape and the percentage of crack penetration through thickness. Experimental data from NDE center in University College London are used for training and testing the networks. The results of this research are compared with other existing theoretical and empirical solutions.
منابع مشابه
تعیین ضریب بزرگنمایی جوش در اتصالات لوله ای به وسیله شبکه های عصبی مصنوعی
در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است. از این رو حل اتصال t شکل و ضریب بزرگنمایی جوش (mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین mk در اتصالات t شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (mlp) طراحی ...
متن کاملمدلسازی عمر خستگی اتصالات دو لبه برشی با استفاده از شبکه عصبی مصنوعی
خستگی یکی از عوامل اصلی در واماندگی اتصالات مکانیکی و صفحات در صنایع هوافضا و صنایع اتومبیل‌سازی می‌باشد پدیده‌ی خستگی در اثر بارگذاری متغیر به زمان رخ می‌دهد. در این پژوهش نتایج تجربی عمر خستگی اتصالات دو لبه برشی آلومینیم 3T -2024 Al در بارهای مختلف از تست خستگی به دست آمده و نتایج حاصل برای مدل‌سازی با شبکه عصبی مصنوعی استفاده شده است. شبکههای عصبی مصنوعی با پردازش داده‌های تجربی، دانش یا ق...
متن کاملکاربرد شبکه‌ی عصبی مصنوعی در مدل‌های انتخاب وسیله
مسئله‌ی آلودگی هوا در محدوده‌ی مرکزی شهرها همواره مورد توجه برنامه‌ریزان شهری بوده است. یکی از روش‌های مدیریتی به‌منظور کاهش آلودگی هوا در این محدوده، اخذ عوارض ورودِ وسایل نقلیه به این محدوده است. سیاست قیمت‌گذاری در محدوده‌ی مرکزی شهر تهران موضوع مورد بررسیِ این پژوهش است. هدف از این پژوهش آگاهی از نحوه‌ی تغییر سهم وسایل نقلیه‌ی مختلف (شخصی، تاکسی، اتوبوس و مترو) به‌ازاء قیمت‌های مختلف ورود به ...
متن کاملپیشبینی کارایی به کمک تأثیرپذیری غیرخطی از تأخیرهای زمانی در تحلیل پوششی داده‌ها با شبکههای عصبی مصنوعی
هدف: یکی از شیوه‌های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه‌های متناظر آن است. با این حال، در برخی پژوهش‌ها به سنجش کارایی یک واحد در مقایسه با خود در مرور زمان پرداخته شده و روند عملکرد یک واحد نسبت به گذشته خود ارزیابی شده است. هدف پژوهش جاری، پیشبینی کارایی یک واحد با استفاده از سری‌های زمانی عملکرد گذشته آن است. روش: این پژوهش به کمک مدل SBM و با استفاده ا...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 1 شماره 1
صفحات 1- 12
تاریخ انتشار 2004-09
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023