تغييرشكل پلاستيك ورق‌هاي آلومينيومي تقويت‌شده با روكش پلي‌اوره تحت بار دفعي: بررسي تجربي و مدل‌سازي با شبكه‌ي عصبي

Plastic Deformation of Reinforced Aluminum Plates with Polyurea Coating under Impulsive Loading

از سامانه تك‌مرحله‌اي انفجار مخلوط گاز براي شكل‌دهي آزاد ساختارهاي فلز - پليمر استفاده شده است. در بخش تجربي، به منظور بهبود عملكرد ورق‌هاي آلومينيومي در برابر بار ضربه‌اي حاصل از انفجار مخلوط گاز، لايه‌اي از ماده پلي‌اوره به پشت ورق فلزي پاشيده شد. به‌ منظور بررسي اثر ضخامت لايه‌هاي فلزي و پليمري بر پاسخ ديناميكي سازه، از ورق آلومينيومي در ضخامت‌هاي 1، 5/1، 2 و 5/2 ميلي‌متر و همچنين روكش پلي‌اوره در ضخامت‌هاي 3، 4، 5 و 6 ميلي‌متر استفاده شده است. نتايج تجربي نشان داد كه پاشش ماده پلي‌اوره به پشت ورق آلومينيومي مي‌تواند بيشترين خيز دائمي سازه را تا ميزان بسيار چشم‌گيري كاهش داده و از پارگي نمونه‌هاي آلومينيومي جلوگيري كند. در بخش مدل‌سازي عددي، از شبكه عصبي از نوع دسته‌بندي گروهي داده‌ها براي ارائه يك مدل رياضي بر مبناي اعداد بي‌بعد جهت پيش‌بيني بيشترين خيز دائمي ساختارهاي فلز - پليمر تحت بار دفعي استفاده شد. به‌ منظور افزايش قابليت پيش‌بيني شبكه عصبي پيشنهادي براي اين فرآيند، داده‌ها به دو دسته آموزش و پيش‌بيني تقسيم ‌شدند نتايج بدست‌آمده نشان داد كه توافق خوبي بين مدل ارائه‌شده با مقادير تجربي برقرار است به‌طوري‌كه تمامي نقاط در محدوده خطاي كمتر از10% قرار گرفتند.

A single-stage gas detonation apparatus was used for the free forming of metallic-polymeric structures. In the experimental section, to improve the performance of aluminum plates under gas mixture detonation loading, a layer of polyurea material was sprayed onto the back surface of the metallic plate. To investigate the effect of the thickness of the metallic and polymeric layers on the dynamic response of the structure, aluminum plates with different thicknesses of 1, 1.5, 2, and 2.5 mm, as well as polyurea coatings with different thicknesses of 3, 4, 5 and 6 mm, were used. Experimental results showed that spraying the polyurea coating onto the back surface of aluminum plates can significantly reduce the maximum permanent deflection of the structure and also prevent the rupture of the aluminum specimens. In the numerical modeling section, the group method of data handling neural network was used to present a mathematical model based on dimensionless numbers to predict the maximum permanent deflection of metallic-polymeric structures under impulsive loading. To increase the prediction capability of the proposed neural network for this process, the experimental data were divided into two training and prediction sets. The results showed that good agreement between the proposed model and the corresponding experimental results is obtained and all data points are within the ±10% error range.