تشخیص معکوس حفره دایره‌ای د‌ر جسم دو بعدی با اندازه‌گیری‌های دمایی و شبکه عصبی مصنوعی

Subject Areas : Journal of Simulation and Analysis of Novel Technologies in Mechanical Engineering

محمد امین احمدفرد ¹ ( دانشجوی کارشناسی ‏ارشد مهندسی ‏مکانیک، دانشگاه آزاد اسلامی واحد شیراز، گروه مهندسی مکانیک. )
محمد جواد کاظم زاده پارسی ² ( استادیار، دانشگاه آزاد اسلامی، واحد شیراز، گروه مهندسی مکانیک )
علیرضا تهور ³ ( استادیار، دانشگاه آزاد اسلامی واحد شیراز، گروه مهندسی مکانیک )

Received: 2015-09-30 Accepted : 2015-09-30 Published : 2010-06-22

Keywords: ‌تشخیص ‌شکل, انتقال‌حرارت ‌معکوس, ‌شبکه ‌عصبی, روش اجزا ‌محدود,

Abstract :

در مسائل تشخیص شکل که جزء مسائل معکوس هندسی دسته‌بندی می‌شوند فرض می‌شود که قسمت‌هایی از دامنه مسئله در دسترس نبوده و نمی‌توان شکل و ابعاد هندسی چنین قسمت‌هایی را به‌طور مستقیم اندازه‌گیری نمود. هدف این است که با انجام اندازه‌گیری دما روی سطوح قابل دسترس، شکل هندسی قسمت‌های دور از دسترس را تخمین زد. از روش شبکه عصبی مصنوعی برای حل مسئله انتقال حرارت معکوس و تشخیص شکل و مکان حفره به‌صورت غیر‌مخرب استفاده شده است به این صورت که با آموزش شبکه عصبی با استفاده از روش اجزا ‌محدود، رفتار انتقال حرارت هدایت جسم بر اساس مکان و اندازه دو بعدی حفره مدل‌سازی شده سپس از این مدل برای تخمین مکان و اندازه حفره مخفی درون جسم در شرایط جدید استفاده شده است. با مقایسه نتایج شبکه عصبی با مقادیر واقعی نتیجه می‌شود که روش مورد مطالعه از دقت بالایی برخوردار است.

References:

[1] Ferreira M.D.C‏., Venturini W.S., Inverse analysis for two-dimensional structures using the boundary element method, Advances in Engineering Software, 41, 2010, pp. 1061-1072.

[2] Mera N.S., Elliott L., Ingham D.B., , Numerical solution of a boundary detection problem using genetic algorithms, Engineering Analysis with Boundary Elements, 28, 2004, pp. 405-411.

[3] Mehrjoo M., Khaji N., Moharramiand H., Bahreininejad A., Damage detection of truss bridge joints using Artificial Neural Networks, Expert Systems with Applications, 35, 2008, pp. 1122-1131.

[4] Park G., Park S., and Kim J. , Estimating the existence probability of cavities using integrated geophysics and a neural network approach, Computers & Geosciences, 36, 2010,pp. 1161-1167.

[5] Liu S.W., Huang j.h., Sung J.C., Lee. C., , Detection of cracks using neural networks and computational mechanics, Computer Methods in Applied Mechanics and Engineering, 191, 2002, pp. 2831-2845.

[6] Gupta S., Ray A., Keller E., Symbolic time series analysis of ultrasonic data for early detection of fatigue damage , Mechanical Systems and Signal Processing, 21, 2007, pp. 866-884.

[7] Hsieh C. K.,Kassab.  A. J., A general method for the solution of inverse heat conduction problems with partially unknown system geometries, International Journal of Heat and Mass Transfer, 29, 1986, pp. 47-58.

[8] Darabi A., Maldague X., , Neural network based defect detection and depth estimation in TNDE, NDT ,35, 2002, pp. 165-175

[9] Mera N. S.  , Elliott L.  , Ingham D. B., , the use of neural network approximation models to speed up the optimization process in electrical impedance tomography, Computer Methods in Applied Mechanics and Engineering, 197, 2007, pp. 103-114

[10] Mera N.  S., Elliott L.  , Ingham D.  B., Detection of subsurface cavities in IR-CAT by a real coded genetic algorithm, Applied Soft Computing, 2, 2002, pp. 129-139

[11] Rus G., Gallego R., Optimization algorithms for identification inverse problems with the boundary element method, Engineering Analysis with Boundary Elements, 26, 2002, pp. 315-327.

[12] Chamekh A., BelHadjSalah H.  , Hambli R.  , Gahbiche A.  , Inverse identification using the bulge test and artificial neural networks, Journal of Materials Processing Technology, 177, 2006, pp. 307-310.

[13] Hagan M., Demuth H. B., Beale M. , Neural Network Design, PWS. pub. Co., Dec. 1995, pp. 66-79.