بهینه سازی پروفیل لوله‌های پلی اتیلنی اسپیرال کارگیت و کارگیت با استفاده از شبکه عصبی
محورهای موضوعی : یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکیمهدی وقاری اسکویی 1 * , علی کاشی 2
1 -
2 - مدیر عامل
کلید واژه: پروفیل بهینه, لوله ترموپلاستیک, تحلیل المان محدود , شبکه عصبی و الگوریتم ژنتیک ,
چکیده مقاله :
هدف از انجام این تحقیق، به دست آوردن یک پروفیل بهینه برای ساخت یک لوله ترموپلاستیک از جنس پلی اتیلن گرید80 جهت دستیابی به کمترین میزان وزن ممکن در واحد لوله و در عین داشتن میزان مجاز تغییر قطر بر اساس استاندارد ایزو 9969 می‌باشد. با روش اجزاء محدود به بررسی رفتار ماده در نرمافزار انسیس پرداخته شده است. از نظر هندسی نوع لوله‌های مورد بررسی لوله‌های کارگیت و براساس پروفیل قوطی و اسپیرال کارگیت هستند. برای یافتن پروفیل بهینه به صورت دقیق نیاز است تا تعداد حل‌های بالایی از مجموعه گرفته شود، که این فعالیت هزینه بالایی خواهد داشت. بنابراین در این مقاله، با داشتن تعدادی از حل‌های اولیه انتخاب شده به روش انتخاب آزمایش برای توابع وزن و تغییر شکل شبکه عصبی آموزش داده شده است، تا به صورت یک تابع قابل مطالعه باشند. به این صورت که به جای تنظیمات و انجام حل نرم‌افزاری، هر بار برای خروجی گرفتن از میزان وزن مجموعه و یا تغییر شکل در اثر بارگذاری یک تابع در نرم افزار در زمانی کمتر اجرا گردید. از الگوریتم ژنتیک برای بهینه سازی استفاده شده است که از توابع شبکه عصبی توسعه داده شده استفاده نموده و شرایط بهینه وزن را با محدودیت قیدهای تغییر شکل مطابق با استاندارد به دست آورده است.
The aim of this paper is to obtain an optimized profile for the manufacturing of a thermoplastic PE80 pipe to achieve the lowest possible weight per pipe unit while maintaining an allowable amount of diameter variation according to ISO 9969 standard. In this paper, the behavior of the material will be analyzed using the FEM (Finite Element Analysis) method in Ansys Mechanical software. The types of pipes studied (in terms of geometry) are corrugated and spiral corrugated pipes, and the goal is to obtain an optimized profile with varying geometric conditions that results in the least weight while adhering to the constraints set by the standard. To precisely find the optimized profile, a very high number of runs from the dataset is required, which would be costly; therefore, in this paper, with a selection of initial runs chosen by the experimental design method, a neural network is trained for the weight function so that it can be directly studied as a function. This way, instead of adjusting and solving the Ansys model each time to extract the weight of the dataset or the deformation under loading, the function can be executed in a fraction of a second, providing the values instantly. The optimization algorithm used is a genetic algorithm, which utilizes the developed neural network functions and obtains the optimal weight conditions under the deformation constraints of the standard.
[1] Emsley, J., (2001). Polyethylene: Properties and applications. Polymer Journal, 33(2), pp 89–103.
[2] International Organization for Standardization. (2016). Plastics—Determination of the stiffness of rigid plastics—Flexural test (ISO 9969:2016). ISO.
[3] Mosquera Morales, J. A., (2023). Characterization and evaluation of mechanical properties in double-wall PVC sewer pipes.
[4] Kefci, Y., (2020). Determination of the optimum geofoam geometry for shallowly buried flexible pipe by finite element analyses (Master's thesis, Middle East Technical University).
[5] Bilski, J., Kowalczyk, B., Marchlewska, A., Zurada, J. M., (2020). Local Levenberg-Marquardt algorithm for learning feedforwad neural networks. Journal of Artificial Intelligence and Soft Computing Research, 10(4), pp 299-316.
[6] Paji, M. K., Gordan, B., Bedon, C., Faridmehr, I., Valerievich, K., Hwang, H. J., (2023). Artificial Neural Network Levenberg-Marquardt Based Algorithm for Compressive Strength Estimation of Concrete Mixed with Magnetic Salty Water. Engineered Science, 23.
[7] Mathkoor, M. S., Jassim, R. J., Al-Sabur, R., (2024). Application of Pattern Search and Genetic Algorithms to Optimize HDPE Pipe Joint Profiles and Strength in the Butt Fusion Welding Process. Journal of Manufacturing and Materials Processing, 8(5), 187.
[8] Rao, S. S., (2019). Engineering optimization: theory and practice. John Wiley & Sons.
[9] Alwosheel, A., van Cranenburgh, S., Chorus, C. G., (2018). Is your dataset big enough? Sample size requirements when using artificial neural networks for discrete choice analysis. Journal of choice modelling, 28, pp 167-182.
[10] Goodfellow, I., (2016). Deep learning (196). MIT press.
[11] Marsili Libelli, S., Alba, P., (2000). Adaptive mutation in genetic algorithms. Soft computing, 4, pp 76-80.
[12] Kaya, Y., Uyar, M., (2011). A novel crossover operator for genetic algorithms: ring crossover. arXiv preprint arXiv:1105.0355.