پیش بینی سفتی کامپوزیت های الیاف کوتاه با استفاده از روش های هوش مصنوعی

پایان نامه
چکیده

کامپوزیت های الیاف کوتاه به دلیل آسانی پروسه تولید و پایین تر بودن هزینه ی ساخت، یکی از پرکاربردترین انواع کامپوزیت ها می باشند.از سویی دیگر ماهیت فرآیندهایی که برای تولید این نوع کامپوزیت ها به کار گرفته می شود،به عنوان مثال روش قالبگیری تزریقی، به گونه ای است که باعث ایجاد حالت راندم در مقادیر طول الیاف و آرایش یافتگی آن ها می شود. به این ترتیب بر خلاف کامپوزیت های الیاف بلند، در این نوع از کامپوزیت ها، طول و آرایش یافتگی الیاف حالت یکنواخت نداشته و لذا به منظور محاسبه ی خواص مکانیکی این مواد، لازم است توزیع مقادیر طول و زاویه الیاف با جهت بارگذاری در نظر گرفته شود. در کنار عوامل ذکر شده، وجود اثر انتها در کامپوزیت های الیاف کوتاه سبب ایجاد ضرورت برای یافتن مدلی متفاوت با تئوری های کامپوزیت های الیاف بلند، جهت محاسبه ی خواص مکانیکی این مواد می شود. به این منظور تا کنون تحقیقات زیادی صورت گرفته است که از آن جمله می توان به بکار گیری روش المان محدود و یا تصحیح معادله ی اختلاط از طریق ضرب فاکتورهای اعمال کننده ی تاثیر توزیع طولی و توزیع آرایش یافتگی، اشاره نمود. با توجه به فرضیات محدود کننده ی روش های موجود و نیز به منظور افزایش دقت پیش بینی در برخی از آن ها، در این تحقیق هدف بررسی قابلیت روش شبکه عصبی به منظور پیش بینی سفتی کامپوزیت های الیاف کوتاه می باشد . مزیت اصلی این روش نسبت به سایر روش ها عدم وجود هر نوع پیش فرض محدود کننده و نیز قابلیت این روش جهت تعیین موثرترین پارامتر بر روی میزان سفتی می باشد. لذا به منظور جمع آوری داده جهت آموزش و تست شبکه عصبی، در این تحقیق ابتدا نمونه های کامپوزیت الیاف کوتاه پلی پروپیلن و شیشه ساخته شد، سپس توزیع طولی وتوزیع آرایش یافتگی الیاف در این کامپوزیت ها به کمک آنالیز تصویر اندازه گیری شد، بعد از آن اندازه گیری مدول الاستیسیته ی طولی کامپوزیت ها انجام شد و در مرحله ی بعد ساختارهای مختلف شبکه عصبی توسط داده های جمع آوری شده آموزش و تست شد و بهترین ساختار شبکه عصبی تعیین گردید. به منظور ارزیابی قابلیت پیش بینی مدول الاستیک طولی کامپوزیت های الیاف کوتاه توسط مدل های مختلف و مدل بدست آمده از شبکه عصبی، چهار مدل میکرومکانیکی به داده های جمع آوری شده اعمال شد و از طریق مقایسه ی مقادیر محاسبه شده ی مدول توسط این مدل ها و نتایج تجربی، تمامی این مدل ها مورد ارزیابی قرار گرفتند. پس از طی مراحل گفته شده، نتایج بدست آمده توسط خطای مورد سنجش قرار گرفت و مشخص شد که بر اساس نتایج بدست آمده در این تحقیق، مدل (paper physics approach) ppa با مقدار خطای 7206/0 بالاترین دقت را در پیش بینی نشان می دهد و پس از آن به ترتیب مدل (laminate analogy approach) laa با مقدار خطای 0673/1 و با اختلاف کمی مدل بدست آمده به روش شبکه عصبی با مقدار خطای 1331/1 قرار دارد. قاعده ی سرانگشتی و مدل کاکس-کرنچل به ترتیب با مقدار خطای 2643/1 و 4230/1 در اولویت های بعدی قرار دارند. به این ترتیب بر اساس نتایج بدست آمده در این تحقیق، بهترین مدل به منظور محاسبه ی مدول الاستیک طولی کامپوزیت های الیااف کوتاه، مدل ppa است که بر اساس مقدار خطای آن بهتر از سایر مدل ها عمل می کند. هم چنین نتایج نشان می دهدکه قاعده ی سرانگشتی به ازای مقادیر پایین درصد تقویت کننده (کسر وزنی 10% و 20%) یک روش آسان به منظور محاسبه ی مدول طولی کامپوزیت های الیاف کوتاه می باشد. علاوه بر این مدل بدست آمده به روش شبکه عصبی، قابلیت این روش جهت پیش بینی مدول الاستیک طولی کامپوزیت های الیاف کوتاه را به اثبات می رساند. کلمات کلیدی: کامپوزیت های الیاف کوتاه، توزیع طولی الیاف، توزیع آرایش یافتگی الیاف، شبکه عصبی

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی تقاضای کوتاه مدت آب شهر تهران با استفاده از شبکه های عصبی مصنوعی

پیش بینی تقاضای کوتاه مدت آب شهری کمک موثری به مدیران و بهره برداران سیستمهای آب شهری می باشد تا بتوانند نسبت به مدیریت صحیح مصرف، مخازن، پمپها، شیرآلات و تصفیه خانه ها اقدام نمایند. مصرف کوتاه مدت آب تابعی از پارامترهای مختلف و متنوع مانند شرائط اقلیمی و هواشناسی، مناسبتهای فرهنگی، اقتصادی، اجتماعی و مصارف گذشته می باشد. بدلیل همین تنوع، پیش بینی مصرف کوتاه مدت بصورت تحلیلی بسیار مشکل و یا نام...

متن کامل

پیش بینی تقاضای کوتاه مدت آب شهر تهران با استفاده از شبکه های عصبی مصنوعی

Short-term water demand modeling plays a key role in urban water resources planning and management. The importance of demand prediction is even greater in countries like Iran with frequent periods of drought. Short-term water demand estimation is useful for planning and management of water and wastewater facilities such as pump scheduling, control of reservoirs and tanks volume, pressure manage...

متن کامل

پیش بینی میزان صادرات خرمای ایران با استفاده ازروش های اقتصادسنجی و هوش مصنوعی

در این مطالعه با استفاده از روش­های اقتصادسنجی ARMA ، GARCH  و روش­های هوش محاسباتی، شبکه­ی عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش­بینی میزان صادرات خرمای ایران برای دوره­ی 1395-1389 شد. به­منظور انجام بررسی­ها از داده­های مربوط به دوره­ی زمانی 1388-1346 استفاده گردید. از داده­های دوره­ی 1384-1346 به­منظور مدل­سازی و از داده­های 4 سال آخر برای بررسی قدرت پیش­بینی استفاده شد. نتایج مطالعه نشا...

متن کامل

پیش بینی هزینه تکمیل پروژه های ساخت با استفاده از شبکه های عصبی مصنوعی و روش مدیریت ارزش حاصله

انحراف زمان و هزینه‌ نهایی پروژه‌‌های ساخت نسبت به مقادیر برآورد اولیه، مسئله‌ای است که در تمام کشورها وجود دارد. این انحرافات سبب به وجود آمدن دعاوی متعددی می ­شوند؛ بنابراین باید از به وجود آمدن آن‌ها جلوگیری شود. پیش­ بینی، یکی از ابزارهای مهم کنترل انحرافات زمان و هزینه پروژه است. یکی از روش‌های استاندارد برای پیش ­بینی زمان و هزینه پروژه، روش مدیریت ارزش حاصله است. همچنین مدل ­سازی به کمک ...

متن کامل

پیش بینی خواص مکانیکی نانو الیاف با استفاده از شبکه های هوش مصنوعی

نانو الیاف الکتروریسی شده ، اهمیت خاصی در کاربردهایی مانند فیلتراسیون،تقویت کامپوزیت ها ، مهندسی بافت، مواد تحویل دهنده دارو و. . . پیدا کرده است و امروزه توجهات زیادی به استفاده از این نانو الیاف معطوف شده است. در اکثر کاربردهای نانو الیاف نیاز به دانستن استحکام نانو اتلیاف احساس می شود. به خاطر اندازه کوچک نانو الیاف دست زدن بدون صدمه زدن به آنها بسیار مشکل می باشد.سیستم های میکرو برای جابه ج...

15 صفحه اول

منابع 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 @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023