فهرست نشریات علمی دسترسی آزاد ایران

این تحقیق، یک مدل جانشین داده‌محور مبتنی بر روش گروهی پردازش داده‌ها (GMDH) را معرفی می‌کند که از شبکه‌های عصبی مصنوعی برای جایگزینی روش‌های محاسباتی سنگین مهندسی مانند تحلیل اجزای محدود (FEA) بهره می‌برد و بهره‌وری سیستم‌های شبیه‌سازی را افزایش می‌دهد. این رویکرد با تمرکز بر روابط غیرخطی بین پارامترهای ورودی بی‌بعد شامل ویژگی‌های سیستم (هندسه و خواص مواد)، شرایط عملیاتی (انرژی ضربه و نرخ کرنش)، و خروجی اصلی یعنی نسبت تغییرشکل دائمی به ضخامت ورق توسعه یافته است. مجموعه داده‌های تجربی شامل ۶۵ نقطه از آزمایش‌های واقعی تهیه شد که از فرآیندهای هیدرودینامیکی برای اعمال بارگذاری استفاده می‌کند. شبکه GMDH با معماری ۱۲ لایه و ۱۲۰ پارامتر، پس از استانداردسازی داده‌ها و تقسیم به مجموعه‌های آموزش (۶۷%) و آزمون (۳۳%)، آموزش دید و عملکرد آن با معیارهایی مانندRMSE (884/0)۰،MAE (711/0)، MAPE (673/%6)، R² (989/0)، و شاخص ویلموت (997/0) ارزیابی گردید که دقت بالا، عدم بیش‌برازش، و کاهش چشمگیر زمان محاسباتی (تا ثانیه‌ها در مقابل ساعت‌ها برای FEA) را نشان می‌دهد که این امر بهره‌وری در مدیریت سیستم‌های صنعتی را ارتقا می‌بخشد. تحلیل حساسیت ذاتی، محلی (بر اساس الاستیسیته و مشتقات جزئی)، و تحلیل عدم قطعیت با عرض باند 2167/0، اهمیت پارامترهای ورودی را رتبه‌بندی کرد و نقش غالب عوامل عملیاتی در بهینه‌سازی سیستم را برجسته نمود. نوآوری‌های تحقیق شامل ادغام داده‌های آزمایشگاهی برای مدل‌سازی یکپارچه سیستم‌های واقعی، ارائه نگاشت ورودی-خروجی، و کاهش هزینه‌های شبیه‌سازی است که این مدل را برای کاربردهای صنعتی در بهینه‌سازی فرایندهای تولید و افزایش بهره‌وری در صنایع خودروسازی مناسب می‌سازد و گامی به سوی طراحی مبتنی بر هوش مصنوعی در مهندسی سیستم‌ها برمی‌دارد.