Desenvolvimento de diagramas de vida constante probabilísticos de compósitos utilizando RNA modular
| Autor: | Diniz, Bruno da Cunha |
|---|---|
| Přispěvatelé: | Belisio, Adriano Silva, Melo, Anderson Clayton Alves de, Costa Júnior, João Carlos Arantes, Felipe, Raimundo Nonato Barbosa, Freire Júnior, Raimundo Carlos Silverio |
| Jazyk: | portugalština |
| Rok vydání: | 2017 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFRN Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
| Popis: | Em projetos mecânicos, além dos carregamentos estáticos, outro tipo de solicitação muito frequente é o carregamento cíclico nos quais a carga varia ao longo do tempo. Estruturas e equipamentos, quando sujeitos a esses carregamentos, devem ser submetidos a uma grande quantidade de ensaios mecânicos para sua caracterização. Porém, devido ao tempo e custo elevados dos ensaios para caracterização do comportamento devido aos carregamentos cíclicos, a situação ideal seria obtê-lo com um número mínimo de amostras e, por conta disso, desenvolveu-se em trabalhos anteriores modelos matemáticos que representavam o comportamento à fadiga de compósitos com uma quantidade mínima de dados experimentais. Apesar dos resultados se apresentarem satisfatórios na imensa maioria dos casos, estes modelos sempre consideram um comportamento determinístico do material, desprezando-se um fator de grande importância na fadiga, a dispersão dos resultados. Conforme é de conhecimento da literatura, a dispersão dos resultados faz com que seja sempre necessária uma análise probabilística e, na maioria dos casos, utiliza-se uma distribuição de probabilidade de Weibull, obtendo-se uma curva S-N de probabilidade. Com isso, este trabalho tem como objetivo desenvolver uma Rede Neural Artificial (RNA) de arquitetura modular e verificar se a mesma é capaz de modelar o comportamento probabilístico à fadiga dos compósitos laminados com apenas três curvas S-N como dados de entrada, desenvolvendo um algoritmo capaz de analisar qualquer valor de probabilidade de falha desejado, aplicando o equacionamento da distribuição de Weibull, utilizando duas metodologias de obtenção de seus parâmetros, aqui considerados constantes para todo material, somente após o treinamento da rede, o qual foi realizado com dados determinísticos. A partir dos resultados obtidos, pode-se concluir que a robustez do algoritmo foi percebida para os dados determinísticos e ocorreu uma boa repetibilidade nas respostas obtidas. Com intuito de avaliar a capacidade de generalização das RNA probabilísticas, criaram-se os diagramas de vida constante (Diagramas de Goodman) para os materiais analisados e os mesmos foram comparados com os valores obtidos pelas curvas S-N de probabilidade, onde foram percebidos resultados satisfatórios. In mechanical designs, in addition to static loads, another type of loading very frequent is the cyclic loading in which the load varies over time. Structures and equipment, when subjected to such loads, must undergo a large number of mechanical tests for their characterization. However, due to the time and cost of the tests to characterize the behavior due to cyclic loading, the ideal situation would be to obtain it with a minimum number of samples and, because of that, it developed in previous works mathematical models that represent the fatigue behavior of composite materials with a minimum quantity of experimental data. Although the results are satisfactory in the vast majority of cases, these models always consider a deterministic behavior of the material, disregarding a factor of great importance in the fatigue, the dispersion of the results. As is known in the literature, the dispersion of results always requires a probabilistic analysis and, in most cases, a Weibull probability distribution is used, obtaining an S-N probability curve. The aim of this work is to develop an Artificial Neural Network (ANN) with modular architecture and verify if it is able to model the fatigue probabilistic behavior of the laminated composites with only three S-N curves as input data, developing an algorithm capable of analyzing any value of Probability of failure, using the Weibull distribution equation, using two methodologies to obtain its parameters (methods 1 and 2), which are considered constant for all material, only after the network training, which was performed with deterministic data. From the obtained results, it can be concluded that the robustness of the algorithm was perceived for the deterministic data and a good repeatability occurred in the obtained answers. In order to evaluate the generalization capacity of probabilistic ANN, the constant life diagrams (Goodman Diagrams) were created for the analyzed materials and they were compared with the values obtained by the S-N probability curves, where satisfactory results were obtained. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|