بخشی از مقاله
چکیده
سازه های با اعضای سرد نورد شده، به دلیل سبک بودن، سرعت اجرای بالا و هزینه کمتر، کاربرد روزافزونی در ساخت صنعتی ساختمانها پیدا نمودهاند. اعضای سرد نورد شده به کار رفته در این سازهها، با داشتن ضخامت کم و تحمل تغییرشکلهای پلاستیک در فرآیند نورد سرد، دارای رفتار ویژهای مبوده و روشهای مرسوم تعیین تنش بحرانی کمانش، برای آنها قابل استفاده نمیباشد.
در این مقاله روشی برای تعیین تنش کمانش اعضاء سرد نورد، با مقاطع C و Z ارائه میگردد. برای این منظور از شبکههای عصبی مصنوعی پرسپترون و الگوریتم آموزش پسانتشار خطا استفاده میشود. آموزش شبکه عصبی با استفاده از دادههای تجربی موجود و نتایج مدل المان محدود انجام شده است. در این مقاله نشان داده میشود که این روش در مقایسه با سایر روشهای متداول از جمله عددی و تحلیلی، با داشتن دقت بالا، نیازمند صرف هزینه و وقت کمتر میباشد.
- 1 مقدمه
سازه های با اعضای سرد نورد شده، به دلیل سبک بودن، سرعت اجرای بالا و هزینه کمتر، کاربرد روزافزونی در ساخت صنعتی ساختمانها پیدا نمودهاند. اعضای سرد نورد شده به کار رفته در این سازهها، با داشتن ضخامت کم و تحمل تغییرشکلهای پلاستیک در فرآیند نورد سرد، دارای رفتار ویژهای بوده و روشهای مرسوم تعیین تنش بحرانی کمانش، برای آنها قابل استفاده نمیباشد.
مقاطع سرد نورد به دلیل ویژگیهایی از قبیل ضخامتکم و روش ساخت، مستعد انواع مدهای خرابی مانند تابیدگی، کمانش موضعی و کلی میباشند. امکان ایجاد هریک از این مدهای کمانش، وابسته به عواملی نظیر فرم و ابعاد مقطع، طول عضو و مقاومت فولاد مورد استفاده میباشد. بروز این مدهای کمانشی از یک طرف و مقاومت پس کمانش آنها از طرفی دیگر منجر به پیچیدگی پیشبینی رفتار و طولانی شدن فرمولهای تجربی حاکم بر رفتار اعضای سرد نورد میگردد.
از طرف دیگر، فرضیات لحاظ شده در روش تحلیلی، باعث ایجاد خطای قابل توجه در نتایج روش میگردد. در روشهای عددی نیز عوامل مذکور سبب طولانی شدن زمان لازم برای محاسبات کامپیوتری میشود. از کاربردهای شبکههای عصبی مصنوعی، تحلیل مسائلی با رابطه حاکم ناشناخته یا پیچیده است. همچنین یکی از ویژگیهای
شبکه عصبی پرسپترون با الگوریتم پسانتشارخطا، نگاشت توابع غیرخطی است که این ویژگی قابلیت حل مسائل غیرخطی کمانش مقاطع سرد نورد را به این شبکه عصبی میدهد.
روزن بلات[1] بین سالهای 1958 تا 1962، گروه بزرگی از شبکههای عصبی به نام پرسپترون را معرفی نمود که قانون آموزش این شبکهها، یک روش تکراری اصلاح وزن بوده و بسیار قویتر از قانون هب عمل میکند.
با ابداع روش انتشاربرگشتی که توسط پارکر و لوکان ارائه گردید، تحولی در شبکههای عصبی صورت گرفت. در سال 2000 میلادی وی لو[2] در دانشگاه هلسینکی اقدام به تعیین تنش کمانش مقاطع سرد نورد نمود. در سال 2005 میلادی مورات پالا [3] با استفاده از نتایج گزارش شافر [4] به آموزش شبکه عصبی پرداخت.
در این مقاله با استفاده از دو مجموعه داده آموزشی، که مجموعه اول حاصل از روابط تجربی و مجموعه دوم، نتایج حاصل از تحلیل مدلهای المان محدود میباشد، شبکه عصبی آموزش داده شده است. برای اثبات صحت نتایج تحلیل مدل المان محدود، این نتایج با دادههای تجربی موجود مقایسه شده است. در این مقایسهها، نتایج شبکه عصبی طرح شده با نتایج شبکه عصبی محققین دیگر نیز مقایسه شده است. بررسیهای انجام گرفته، بالا بودن دقت نتایج شبکه عصبی طرح شده را نسبت به دیگر روشها و شبکه-های عصبی موجود نشان میدهد.
- 2 مدل المان محدود
به منظور تهیه داده آموزشی برای آموزش شبکه، مدل المان محدود برای تعیین بار بحرانی کمانش ستون با مقطع سرد نورد شده ایجاد شده است. از هریک از مقاطع C وZ به تعداد نود نمونه با ابعاد و علائم مطابق شکل - 1 - وجدول - 1 - ایجاد شده است. در هر ستون، تکیهگاه در دو انتها ساده بوده و بارگذاری در یک انتهای ستون بصورت گسترده و یکنواخت اعمال شده است.
در نرمافزار [5] ABAQUS ستونها از نوع قابل تغییرشکل و در فضای سهبعدی مدلسازی شدهاند. ورق فولادی مورد استفاده با مدول الاستیسیته 210 GPa وضریب پواسون 0/3 میباشد. بار از نوع Pressure به صورت یکنواخت و در انتهای عضو اعمال شده است و تکیهگاه ستونها به صورت مفصلی ساده میباشد. برای مدلسازی این نوع تکیه گاه، جابجائی لبه خارجی مقاطع مقید وچرخش همان لبه در سه جهت اصلی دستگاه مختصات، آزاد شبیهسازی شده است.
برای تحلیل کمانش، المانها از نوع سهبعدی مکعبی درجه دوم C3D20R-HEX در نظر گرفته شده است. شکل - 2 - مدل المان محدود یکی از ستونها را قبل و بعد از تغییرشکل نشان میدهد. همچنین نتایج تحلیل اجزای محدود برای برخی از نمونهها از نود نمونه مورد بررسی در جدول - 2 - آمده است.
شکل : - 1 - پارامترهای مقطع C
جدول : - 1 - ابعاد نمونههای با مقطع C - به - mm
شکل : - 2 - مدل المان محدود ستون با مقطع C
الف- قبل از اعمال نیرو ب- بعد از اعمال نیرو
