ارائه یک مدل پیشگو در بررسی رفتار پس کمانشی پوسته‌های مخروطی تقویت‌شده تحت‌تأثیر نقص شکل‌های هندسی با استفاده از شبکه‌های عصبی مصنوعی

نویسندگان

1 مجتمع دانشگاهی مکانیک،دانشگاه صنعتی مالک اشتر

2 مجتمع دانشگاهی مکانیک، دانشگاه صنعتی مالک‌اشتر

چکیده

در سال­های اخیر، کاربرد پوسته‌های مخروطی تحت‌فشار خارجی به‌طور فزاینده­ای در بدنه شناورهای زیرسطحی، بدنه موتور هواپیما و مخازن کارگاه‌های مواد شیمیایی توسعه یافته است. مقاومت پوسته‌های جدار نازک تحت‌فشار خارجی، اغلب تحت‌تأثیر پدیده کمانش است، پس بررسی این پدیده اهمیت زیادی دارد. کمانش پوسته­ های مخروطی به روش‌های مختلف ازجمله روش‌های تحلیلی و تجربی قابل‌محاسبه است که اغلب وقت‌گیر و دارای پیچیدگی‌های زیاد هستند. در این مقاله به کمک شبکه­های عصبی، روشی ساده، سریع و دقیق برای پیش­بینی فشار کمانشی و پس کمانشی پوسته­های مخروطی ارائه می‌شود. ابتدا به کمک نرم‌افزار اجزاء محدود برای پوسته­ هایی با ضخامت و تقویت‌های مختلف فشار کمانشی و پس کمانشی محاسبه شده و در ادامه از نتایج تحلیل­ های عددی، آموزش‌های لازم به شبکه عصبی داده می­شود. به‌منظور صحت‌سنجی نتایج، رفتار پیش‌بینی‌شده از طریق شبکه عصبی با نتایج حاصل از نرم‌افزار المان محدود مقایسه شده که بیانگر دقت بالای روش ارائه‌شده است. درنهایت با استفاده از مدل پیشگو، بار بحرانی کمانش خطی و غیرخطی برای پوسته­ های مخروطی در ضخامت و ابعاد تقویت مختلف در نمودارهایی ارائه می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

A Novel Predictive Model for Post-Buckling Behavior of Stiffened Conical Shells under Geometric Imperfections using Artificial Neural Networks

نویسندگان [English]

  • Mehdi Dehghan 1
  • Mohammad Ali Rasooli 2
  • Mohammad Rahimi Ahooie 2
1 Faculty of Mechanics, Malek Ashtar University of Technology
2 Faculty of Mechanics, Malek Ashtar University of Technology
چکیده [English]

In recent years, the conical shells under external pressure are widely used in construction of the under-water pressure hulls, covers of aero-engines and storage tanks. Strength of thin-walled shells under external pressure are usually influenced by the buckling phenomenon. So, its study is in high degree of importance. The buckling analysis of thin conical shells based on theoretical and experimental methods is accompanied by shortcomings such as time consuming and complexity. In this paper, an efficient method based on Artificial Neural Network (ANN) is presented for prediction of buckling and post-buckling behavior of conical shells. Primarily, the linear and non-linear buckling loads of the truncated cones with various thickness and stiffener dimensions are obtained by using the Finite Element (FE) analysis. Then, these obtained results are submitted to the Neural Network for training. In order to verify the solution procedure, the predicted results of ANN are compared with those of extracted from FE analysis. It is shown, that the predictive model benefits from high convergence and accuracy. Finally, some predicted results of buckling and post-buckling analysis of conical shells is figured.  

کلیدواژه‌ها [English]

  • Thin conical shells
  • post-buckling behavior
  • finite element analysis
  • Artificial neural networks
[1] Lorenz R. Buckling of a Cylindrical Shell under Axial Compression. J. Zeitschrift des Vereines Deutscher Ingenieure. 1908; 52. (In German).
[2] Koiter W, Elishakoff Y, and Starnes Jr. Buckling of an axially compressed imperfect cylindrical shell of variable thickness. 35th Structures, Structural Dynamics, and Materials Conference; 1994 Apr 18-20; Hilton Head,SC,U.S.A. https://doi.org/10.2514/6.1994-1339.
[3] Kendrick S. The buckling under external pressure of circularcylindrical shells with evenly spaced equal strength circular ring frames,Part I. Naval Construction Research Establishment;1953. Rep. R211.
[4] Teng JG, Song CY. Numerical models for nonlinear analysis of elastic shells with Eigen mode-affine imperfections. International journal of solids and structures. 2001 May 1;38(18):3263-80.
[5] Song CY, Teng JG, Rotter JM. Imperfection sensitivity of thin elastic cylindrical shells subject to partial axial compression. International journal of solids and structures. 2004 Dec 1;41(24-25):7155-80.
[6] Khelil A. Buckling of steel shells subjected to non-uniform axial and pressure loading. Thin-walled structures. 2002 Nov 1;40(11):955-70.
[7] Kim SE, Kim CS. Buckling strength of the cylindrical shell and tank subjected to axially compressive loads. Thin-walled structures. 2002 Apr 1;40(4):329-53.
[8] Khamlichi A, Bezzazi M, Limam A. Buckling of elastic cylindrical shells considering the effect of localized axisymmetric imperfections. Thin-Walled Structures. 2004;42: 1035-47.
[9] Schneider W, Brede A. Consistent equivalent geometric imperfections for the numerical buckling strength verification of cylindrical shells under uniform external pressure. Thin-Walled Structures. 2005;43(2): 175-88.
[10] Waszczyszyn Z, Bartczak M. Neural prediction of buckling loads of cylindrical shells with geometrical imperfections. International journal of non-linear mechanics. 2002 Jun 1;37(4-5):763-75.
[11] Angelos P, Dimitrios E, Nikolaos M. Prediction of the collapse modes of PVC cylindrical shells under compressive axial loads using Artificial Neural Networks. Artificial Intelligence and Innovations. 2007; 247: 251-258.
[12] Hasanzadehshooiili H, Lakirouhani A, Šapalas A. Neural network prediction of buckling load of steel arch-shells. Archives of civil and mechanical engineering. 2012 Dec;12:477-84.
[13] Sheidaii MR, Bahraminejad R. Evaluation of compression member buckling and post-buckling behavior using artificial neural network. Journal of Constructional Steel Research. 2012 Mar 1;70:71-7.
[14] Bilgehan M, Gürel MA, Pekgökgöz RK, Kısa M. Buckling load estimation of cracked columns using artificial neural network modeling technique. Journal of Civil Engineering and Management. 2012 Aug 1;18(4):568-79.
[15] Kumar M, Yadav N. Buckling analysis of a beam–column using multilayer perceptron neural network technique. Journal of the Franklin Institute. 2013; 350: 3188–204.
[16] Sharifi Y, Tohodi S. Lateral-torsional buckling capacity assessment of web opening steel girders by artificial neural networks–elastic investigation. Frontiers of Structural and Civil Engineering. 2014; 8: 167-77.
[17] Tohodi S, Sharifi Y. A New Predictive Model for Restrained Distortional Buckling Strength of Half-through Bridge Girders using Artificial Neural Network. KSCE Journal of Civil Engineering. 2015; 20: 1392-403.
[18] Mallela UK, Upadhyay A. Buckling load prediction of laminated composite stiffened panels subjected to in-plane shear using artificial neural networks. Thin-Walled Structures. 2016 May 1;102:158-64.
[19] Bonet J, Wood RD. Nonlinear continuum mechanics for finite element analysis. 9nd Edition. Cambridge University Press; 2008.
[20] Hagan MT, Demuth HB. Neural Network Design. PWS Publishing Company; 1996.
[21] Ventsel E, Krauthammer T. Thin plates and shells: theory, analysis, and applications. CRC Press; 2001.