تشخيص معكوس حفره دايره‌اي د‌ر جسم دو بعدي با اندازه‌گيري‌هاي دمايي و شبكه عصبي مصنوعي

Inverse Identification of Circular Cavity in a 2D Object via Boundary Temperature Measurements Using Artificial Neural Network

در مسايل تشخيص شكل كه جز مسايل معكوس هندسي دسته‌بندي مي‌شوند فرض مي‌شود كه قسمت‌هايي از دامنه مسيله در دسترس نبوده و نمي‌توان شكل و ابعاد هندسي چنين قسمت‌هايي را به‌طور مستقيم اندازه‌گيري نمود. هدف اين است كه با انجام اندازه‌گيري دما روي سطوح قابل دسترس، شكل هندسي قسمت‌هاي دور از دسترس را تخمين زد. از روش شبكه عصبي مصنوعي براي حل مسيله انتقال حرارت معكوس و تشخيص شكل و مكان حفره به‌صورت غير‌مخرب استفاده شده است به اين صورت كه با آموزش شبكه عصبي با استفاده از روش اجزا ‌محدود، رفتار انتقال حرارت هدايت جسم بر اساس مكان و اندازه دو بعدي حفره مدل‌سازي شده سپس از اين مدل براي تخمين مكان و اندازه حفره مخفي درون جسم در شرايط جديد استفاده شده است. با مقايسه نتايج شبكه عصبي با مقادير واقعي نتيجه مي‌شود كه روش مورد مطالعه از دقت بالايي برخوردار است.

In geometric inverse problems, it is assumed that some parts of domain boundaries are not accessible and geometric shape and dimensions of these parts cannot be measured directly. The aim of inverse geometry problems is to approximate the unknown boundary shape by conducting some experimental measurements on accessible surfaces. In the present paper, the artificial neural network is used to solve these kinds of problems in conduction heat transfer in 2D objects. In order to train the neural network, some direct problems are solved by using the finite element method. In order to evaluate the applicability of the proposed method, different cases with different number of measuring points and different error levels are examined. The results show that the ANN can effectively be used in solving inverse geometry problems in heat conduction.