2 نتیجه برای سکوهای دریایی
حمید محرمی، محمدتقی شهرابی فراهانی و حمید شورابی،
دوره 26، شماره 1 - ( 4-1386 )
چکیده
حفاظت از سازه های دریایی دور از ساحل (که اهمیت خاصی برای اقتصاد کشور دارند) در برابر خوردگی معمولا به روش حفاظت کاتدی آندهای فدا شونده صورت می پذیرد. در این روش، آندهای فدا شونده در نقاط مختلفی از سازه دریایی نصب می شوند تا آن را مورد حفاظت قرار دهند. «موقعیت نصب آندها در سازه با برای ارائه حفاظت مورد نیاز». مسئله ای است که مورد توجه بسیاری از مهندسان است و تا به امروز بر مبنای قواعد تجربی انجام می شود. چه بسا در روشهای متداول طراحی در بسیاری از نقاط سازه حفاظتی بیش از اندازه و در نقاطی کمبود پتانسیل حفاظتی به وجود می آید. از این رو ارائه روشی سیستماتیک برای آنکه بتواند برای هر چیدمان آند، سازه را از نظر حفاظتی تحلیل کند و نیز بتواند به صورت خودکار اولا حفاظت کامل سازه مورد نظر را تامین کند و ثانیا هزینه چنین حفاظتی را به حداقل برساند، یکی از نیازهای اساسی در صنایع دریایی و هدف این تحقیق است. آنچه در این مقاله می آید ارائه روش الگوریتم ژنتیک به منظور طراحی خودکار سیستم حفاظت کاتدی و بهینه سازی چیدمان آندها بر روی سازه های دریایی است. ارزیابی حفاظت سازه، ملاک شایستگی هریک از طرحها، منظور شده است. برای ارزیابی حفاظت، سازه دریایی و مجموعه آندهای روی آن و الکترولیت اطراف به صورت مجموعه ای یکپارچه، مدلسازی و به روش اجزای محدود تحلیل می شود. با به کارگیری الگوریتم ژنتیک، به تدریج نسلهای بهتری از طرحهای حفاظت کاتدی ایجاد می شود. طرحی که حفاظت کامل را ایجاد و کمترین هزینه را داشته باشدف به عنوان طرح برگزیده بهینه معرفی می شود. برای نشان دادن قابلیتهای الگوریتم دو مثال حل شده است.
علی فتحی، علی‌اکبر آقاکوچک و غلامعلی منتظر، ،
دوره 26، شماره 2 - ( 10-1386 )
چکیده
در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است.
از این رو حل اتصال T شکل و ضریب بزرگنمایی جوش (Mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین Mk در اتصالات T شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (MLP) طراحی و آموزش داده شده اند تا مقادیر Mk را در عمیقترین نقطۀ ترک و نقاط انتهایی آنها تحت تنشهای غشایی و خمشی تخمین بزنند. داده های استفاده شده برای آموزش و آزمون شبکه ها از داده های معتبر اجزای محدود استخراج شده است. مقایسۀ بین نتایج به دست آمده از شبکه ها و جدیدترین روابط منتشر شده برای محاسبۀ Mk نشان دهندۀ قابلیت بالای شبکه-های عصبی برای استفاده در این زمینه است.
