پيش ‌بيني پاسخ پلاستيك ورق‌ هاي فلزي دايره‌اي تحت بار ديناميكي يكنواخت با استفاده از شبكه عصبي عميق

در تحقيق پيش رو با استفاده از شبكه‌هاي عصبي عميق به پيش ‌بيني ميزان بيشترين خير ورق‌هاي فلزي دايره‌اي شكل تحت بار شديد ديناميكي يكنواخت پرداخته مي‌شود. شبكه عصبي ارائه‌شده در اين تحقيق در محيط زبان برنامه‌نويسي پايتون و با استفاده از كتابخانه‌هاي موجود در آن ازجمله تنسورفلو طراحي گرديد. مدل طراحي شبكه مبتني بر مسئله رگرسيون و از نوع سكوئنشال و شامل 10 لايه مي‌باشد كه تابع فعال‌ساز موجود در نورون‌ها از نوع ليكي رلو (Leaky RELU) هستند. الگوريتم بهينه‌ساز مدل روي آدام و تابع هدف مسئله ميانگين مربعات خطا و تعداد تكرار شبكه روي 700 مرتبه تنظيم شد. مجموعه داده مورداستفاده در اين مقاله متشكل از 581 نمونه حاصل از 16 سري آزمايش در طي چهل سال گذشته مي‌باشد كه به‌وسيله كتابخانه سايكيت-لرن استانداردسازي شدند. ورق‌هاي فلزي از چهار جنس فولادي، آلومينيوم، مس و تيتانيوم مي‌باشند و هيچ‌گونه تفكيكي ميان فلزات مختلف صورت نگرفته است. تعداد داده‌هاي آموزشي در مدل 443 عدد معادل 75% از مجموعه داده تعيين شد. همچنين تعداد داده‌هاي آزمايشي و ارزياب به ترتيب 88 عدد معادل 15% و 50 عدد معادل 10% از كل مجموعه داده انتخاب شد. هر نمونه داراي 8 ويژگي به‌عنوان ورودي‌هاي شبكه عصبي و يك برچسب به‌عنوان خروجي مي‌باشد. مدل هوشمند ارائه‌شده از ميان 88 داده آزمايشي كه به‌صورت كاملاً تصادفي از مجموعه داده انتخاب‌شده بود، توانست 76% از داده‌ها تقريباً معادل 67 عدد را در محدوده خطاي كمتر از 10% و 88% از داده‌ها يا به‌عبارت‌ديگر معادل تقريباً 78 عدد را در محدوده خطاي كمتر از 20% پيش‌بيني كند. ميزان شاخص ريشه ميانگين مربعات خطا 102 برابر نسبت به روابط پيش‌بيني كننده تحليلي و سنتي موجود در سوابق تحقيق كاهش پيدا كرد. همچنين معيار ضريب تعيين كه شاخصي مهم جهت ارزيابي عملكرد شبكه‌هاي عصبي مبتني بر مسائل رگرسيون مي‌باشد مقدار 0.96 را در بر گرفته است.