پایش سلامت مخازن تحت فشار کامپوزیتی با استفاده از مشخصات ارتعاشی و هوش مصنوعی

پذیرفته شده برای ارائه شفاهی ، صفحه 1-9 (9) XML اصل مقاله (1.58 MB)
کد مقاله : 1022-ISAV2023 (R1)
نویسندگان
1ایران، تهران، دانشگاه صنعتی مالک اشتر، دانشکده مهندسی مکانیک، استادیار
2ایران، تهران، دانشگاه صنعتی مالک اشتر، دانشکده مهندسی مکانیک، دانشجوی دکتری
3ایران، تهران، دانشگاه صنعتی مالک اشتر، دانشکده مهندسی مکانیک، استاد
چکیده
در این مقاله به بررسی پایش سلامت مخازن تحت فشار کامپوزیتی نوع 4 با استفاده از ورودی‌های ارتعاشی و هوش مصنوعی پرداخته خواهد شد. برخی از ویژگی‌های منحصر به فرد مانند نسبت استحکام به وزن بالای ساختارهای کامپوزیتی، عامل اساسی اقبال گسترده صنایع پیشرفته برای استفاده از مخازن تحت فشار کامپوزیتی می‌باشد. با وجود ویژگی‌های مناسب این ساختارها، وجود برخی از نارسایی‌های ناشی از فرآیند ساخت، تحلیل‌ دقیق سازه‌های کامپوزیتی را تحت بارهای استاتیکی دینامیکی اجنتاب‌ناپدیر می‌نماید. از جمله عیوب این ساختارها که قابل پیش‌بینی می‌باشد، وجود حفره و یا تورق بوده که می‌تواند موجب نشتی در مخزن شود. با توجه به این موضوع و کاربرد مهم مخازن کامپوزیتی، پایش سلامت و بررسی کارکرد آنها از اهمیت ویژه‌ای برخوردار بوده که در این پژوهش با تحلیل عددی و بهره‌مندی از زیربرنامه هم‌خوان با آباکوس، مدلی قابل اتکا ایجاده شده و با به‌دست آوردن مشخصات ارتعاشی آن و استفاده از هوش مصنوعی، روشی مناسب برای ارزیابی و پایش سلامت مخزن تحت فشار کامپوزیتی ساخته شده با لاینر پلی‌اتیلن ترفتالات و تقویت شده با کربن/اپوکسی ارائه شده است. برای پیش‌بینی محل عیب، از شبکه عصبی مصنوعی استفاده شده است که نتایج حاصل با ضریب همبستگی بالای 99/0 درصد، نشان‌دهنده دقت مناسب مدل بوده و قادر به پیش‌بینی درست محل وجود عیب در سازه می‌باشد. بمنظور صحت‌سنجی مدل المان محدود، از یک مقاله مرجع استفاده شده و نتایج آن تأیید شده است.
کلیدواژه ها
موضوعات
 
Title
.
Authors
مراجع

 1. M. Toozandehjani, N. Kamarudin, Z. Dashtizadeh, E.Y. Lim, A. Gomes, C. Gomes, "Conventional and advanced composites in aerospace industry: Technologies revisited", American Journal of Aerospace Engineering, 9–15 (2018). 

2. Manisha Maurya, Jatin Sadarang, I Panigrahi, Dipti Dash, "Detection of delamination in carbon fibre reinforced composite using vibration analysis and artificial neural network", Materials Today: Proceedings 49, 517–522 (2022).
3. J. Graham-Jones, J. Summerscales, "Marine applications of advanced fibre reinforced composites",
Woodhead Publishing, 2015.
4. Alan Hiken, "The Evolution of the Composite Fuselage - A Manufacturing Perspective",
SAE Int. J. Aerosp.Volume 10, (2017).
5. Alvin Reynaldo, Hari Sidik Pramono, Sigit Puji Santosa, Muhammad Aziz, "Finite Element Analysis of Liquefied Ammonia Tank for Mobility Vehicles Employing Polymers and Composites",
MDPI Journals, (2020).
6. Sirawit Pruksawan, FuKe Wang, "Modeling of toughening effect in rigid particulate filled polymer composites by artificial intelligence: a review",
Advanced Composite Materials, (2023).
7. Muzammil Parvez M, Shailendra Kumar Mishra, K. Nandini, Sk Hasane Ahammad, Syed Inthiyaz, Baraa Riyadh Altahan, Lassaad K. Smirani, Md. Amzad Hossain, Ahmed Nabih Zaki Rashed, "Machine learning based models for defect detection in composites inspected by Barker coded thermography: A qualitative analysis",
Advances in Engineering Software, (2023).
8. Monalisa Das, Sasmita Sahu, D.R. Parhi, "Composite materials and their damage detection using AI techniques for aerospace application: A brief review", Materials Today:
Proceedings 44, 955–960 (2021).
9. Ong Pauline, Tan Yean Keong, Lai Kee Huong, Sia Chee Kiong, "A deep convolutional neural network for vibration-based health-monitoring of rotating machinery",
Decision Analytics Journal, (2023).
.10علی اصغر بینائیان، احسان جمشیدی، علیرضا ارغوان، "تشخیص آسیب در خطوط انتقال گاز بر اساس تغییرات فرکانس طبیعی به
کمک شبکههای عصبی مصنوعی
"، فصلنامه مهندسی مکانیک و ارتعاشات، .1397 ،13-7
.11حامد ایل غمی، سید سینا کورهلی، تشخیص خرابی در سازه ها با استفاده از تابع پاسخ فرکانس و ماشینهای یادگیری، اولین
مسابقه کنفرانس بینالمللی جامع علوم و مهندسی در ایران، .1395
10. Doug Alexander, Neural Networks history and applications, Nova Science Publishers, (2020).
12. Fei Tao, Xin Liu, Haodong Du, Wenbin Yu, "Learning composite constitutive laws via co pling Abaqus and deep neural network",
Composite Structures, (2021).