بررسی اثر نقص تحت اثر بارهای مرکب در سیلوهای فلزی با استفاده از شبکه های عصبی بنیادی شعاعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه اموزشی

2 دانشگاه پیام نور

چکیده

خرابی و کمانش در سازه های پوسته ای، از جمله سیلوها، میتواند به دلایل مختلفی از جمله اعوجاج، نقص های ایجاد شده در زمان ساخت، نقص های ایجاد شده در طول بهره برداری و یا عوامل محیطی و غیره ایجاد گردد. سیلوها میتوانند تحت اثر انواع بارهای جانبی و محوری قرار بگیرند، اما از آنجایی که در واقعیت تحت تاثیر توامان این بارها هستند، از آن جهت رفتار سیلوها تحت اثر بارهای مرکب مورد بررسی قرار میگیرد. سیلوهای مورد نظر در این پژوهش از نوع گرم نورد شده و قرار گرفته بر روی زمین میباشند. متغیرهای این پژوهش نوع و دامنه نقص میباشد. همچنین سیلوها در دو حالت نیمه پر و پر مورد ارزیابی و بررسی قرار میگیرند. سیلوهای مدل شده در نرم افزار ANSYS مورد بررسی قرار گرفتند. شبکه عصبی بنیادی شعاعی RBF برای پیش بینی ظرفیت کمانش پوسته های استوانه ای استفاده شد. نتایج این پژوهش نشان میدهد شبکه های عصبی مصنوعی ابزار مناسبی برای پیش بینی ظرفیت کمانش سیلوهای دارای نقص میباشند.

کلیدواژه‌ها


عنوان مقاله [English]

Investigation of the effect of defects under the influence of composite loads in metallic silos using radial stem nerve networks

نویسندگان [English]

  • nasser abootaleb 1
  • Amin Ghorbani 2
  • Mona Alizadeh Giashi
1 educational group
چکیده [English]

Failure and buckling in shell structures, including silos, can be created for various reasons such as distortion, defects created during construction, defects created during operation, or environmental factors, etc. Silos can be subjected to a variety of lateral and axial loads, but since they are in fact affected by the combination of these loads, silos behave under the influence of composite loads. The silos in this research are hot-rolled and located on the ground. The variables of this research are type and scope of defect. Silos are also evaluated in semi-filled and semi-solid state. The model silos were analyzed in ANSYS software. The radial radial neural network RBF was used to predict the buckling capacity of the cylindrical shells. The results of this study indicate that artificial neural networks are a good tool for predicting buckling capacity of silos with defects.

کلیدواژه‌ها [English]

  • Steel silos
  • Flaw
  • Compound load
  • Neural Network