İKİ BOYUTLU FONKSİYONEL KADEMELENDİRİLMİŞ PLAKALARIN YAPAY SİNİR AĞI ÖĞRENME ALGORİTMALARI İLE ISIL GERİLME MODELLEMESİ
| Autor: | DEMİRBAŞ, Munise Didem, ÇAKIR, Didem |
|---|---|
| Jazyk: | turečtina |
| Rok vydání: | 2019 |
| Předmět: |
Engineering
Mechanical Two-directional functionally graded plate Artificial neural network Levenberg-Marquardt algorithm Gradient descent backpropagation algorithm Finite difference method Thermal stress analysis iki boyutlu fonksiyonel kademelendirilmiş plaka yapay sinir ağı levenberg-marquart algoritması geriye yayılım algoritması Sonlu farklar metodu Isıl gerilme analizi Mühendislik Makine |
| Zdroj: | Volume: 9, Issue: 2 1065-1076 Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi |
| ISSN: | 2564-6605 |
| Popis: | Belirli bir hacimsel dağılım fonksiyonuna göre oluşturulan fonksiyonel kademelendirilmiş malzemeler (FKM) günümüz yüksek sıcaklık uygulamalarına dayanımlı malzeme üretiminde önemli bir yere sahiptir. Amaç fonksiyonuna bağlı olarak FKM’de maksimum çalışma performansı, yapısal varyasyonlar ve emniyetli gerilme değerleri gibi önemli özelliklerin sağlanabilmesi için hacimsel dağılımın belirlenmesi çok önemlidir. Hacimsel dağılımın belirlenmesi ve uygun hacimsel dağılımın test edilebilmesi için nümerik analiz yöntemleri kullanılmaktadır. Bu çalışmada, sonlu farklar metodu ile iki boyutlu fonksiyonel kademelendirilmiş plakaların ısı akısı tesirinde ısıl-mekanik davranışının tespit edilmesinde önemli bir parametre olan eşdeğer gerilme seviyeleri için malzemenin hacimsel dağılımına bağlı modeller oluşturulmuştur. Bu modeller yapay sinir ağında iki farklı eğitim algoritması ile elde edilmiştir. Bu eğitim algoritmaları Levenberg-Marquart ve Geriye Yayılım algoritmasıdır. FKM’lerin hacimsel dağılımını belirleyen kompozisyonel gradyant üst değerleri n ve m’dir. Sonlu farklar metodu ile sayısal analizde n ve m değerlerini belirlemek 1800 s iken Yapay Sinir ağı modeli ile 900 s olup verimlilik önemli derecede artmaktadır. Kullanılan eğitim algoritmalarının iş-zaman-performans değerleri açısından ileride yapılacak bilimsel çalışmalar için fikir verici nitelikte olması önemlidir. Önerilen eğitimli modeller henüz seri üretimi gerçekleştirilemeyen FKM için hem üretimde hem de yapılacak teorik çalışmalarda optimum hacimsel dağılıma ulaşmada yol gösterici olacaktır. Functionally graded materials (FGM) which are formed according to a specific volumetric distribution function have an important place in the production of materials resistant to high temperature applications. Depending on the objective function, it is very important to determine the volumetric distribution in order to provide important features such as maximum operating performance, structural variations and safe stress values in FGM. Numerical analysis methods are used to determine the volumetric distribution and to test the appropriate volumetric distribution. In this study, volumetric distribution models were created for the equivalent stress levels which are the most important parameter in determining the thermo-mechanical behavior of two-dimensional functionally graded plates in heat flux by finite difference method. These models were obtained by two different training algorithms in artificial neural network (ANN). These training algorithms are Levenberg-Marquart and Gradient Descent Backpropagation algorithm. While it takes 1800 s to determine n and m values in numerical analysis by finite difference method, this time is 900 s with an artificial neural network model and productivity increases significantly. It is important that used training algorithms are informative for scientific studies in terms of work-time-performance values. The proposed training models will guide researchers in achieving optimum volumetric distribution in both production and theoretical studies |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|