این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
International Journal of Maritime Technology، جلد ۱، شماره ۱، صفحات ۱-۱۲
عنوان فارسی تعیین سرعت رشد خستگی در اتصالات لوله‌ای به وسیله شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله برای تخمین عمر باقیمانده سازه یک سکوی دریایی و تدوین برنامه زمان‌بندی بهینه جهت بازرسی و تعمیر در زیر آب، نیاز است تا آهنگ رشد ترک خستگی در اتصالات لوله‌ای به صورت مناسب پیش‌بینی شود. به دلیل کوچک بودن شعاع منطقه پلاستیک در نوک ترک خستگی، مکانیک شکست الاستیک خطی و ضریب شدت تنش، ابزار مناسبی برای تعیین سرعت رشد ترک خستگی بشمار می‌روند. راهکارهای متنوعی با استفاده از روشهای مختلف برای تعیین سرعت رشد ترک خستگی در اتصالات لوله‌ای بر اساس قانون رشد ترک پاریس معرفی شده‌اند که نتایج حل آنها منجر به ارائه معادلاتی برای تعیین ضریب اصلاح شدت تنش(Y) شده است. در این تحقیق قابلیت شبکه‌های عصبی مصنوعی در پیش‌بینی سرعت رشد ترک در اتصالات لوله‌ای T تحت بار محوری در حالتی که عمق ترک بیش از 20% ضخامت جداره ‌عضو اصلی است، مورد ارزیابی قرار گرفته است. در این مرحله از رشد ترک، فرآیند رشد بیشترین تأثیر را از هندسه اتصال و مد بارگذاری می‌پذیرد. دو نوع شبکه عصبی مصنوعی MLP و RBF برای تخمین ضریب اصلاح شدت تنش در عمق ترک خستگی طراحی شده و آموزش دیده است. اطلاعات ورودی برای این شبکه‌ها، نسبت عمق به عرض ترک و درصد رشد ترک در عمق جداره است. داده‌های استفاده شده برای آموزش و آزمون شبکه‌ها نتایج آزمایش روی شش اتصال T است که در مرکز NDE دانشگاه UCL انجام شده است. پس از طراحی، آموزش و آزمون شبکه‌ها و انتخاب شبکه بهینه، نتایج حل به کمک شبکه‌های عصبی با نتایج برخی روشهای موجود مقایسه شده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی **EVALUATING THE FATIGUE CRACK GROWTH RATE IN OFFSHORE TUBULAR JOINTS USING ARTIFICIAL NEURAL NETWORKS
چکیده انگلیسی مقاله In order to predict the residual life of offshore platforms and establish efficient schedule for underwater inspection and repair, it is necessary to estimate the fatigue crack growth rate in tubular joints properly. Linear Elastic Fracture Mechanics and Stress Intensity Factor are applicable tools for evaluating growth rate of existing fatigue cracks in offshore tubular joints. In the past several approaches based on Paris crack growth law, have been proposed in this regard. Each of these approaches use different methods for estimating the Stress Intensity Modification Factor (Y). In this research the capability of Artificial Neural Networks for evaluating the fatigue crack growth rate in offshore tubular T-joints under axial loading is investigated, when the crack depth is more than 20% of chord wall thickness. For this condition the crack growth process is highly affected by joint geometry and loading mode. Two types of artificial neural network are developed for predicting the Y factor: Radial Basis Function (RBF) and Multi Layer Perceptron (MLP) networks. The required input data consist of the crack shape and the percentage of crack penetration through thickness. Experimental data from NDE center in University College London are used for training and testing the networks. The results of this research are compared with other existing theoretical and empirical solutions.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی فتحی | ali fathi
tarbiat modarres university
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

علی اکبر آقاکوچک | ali akbar aghakoochak
tarbiat modarres university
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://www.ijmt.ir/browse.php?a_code=A-10-1-1&slc_lang=fa&sid=en
فایل مقاله دریافت فایل مقاله
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده Offshore Hydrodynamic
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات