TY - JOUR T1 - Detection of Size and Location of Crack in Pipes Under Fluid Pressure by Neural Networks TT - تشخیص سایز و موقعیت نسبی ترک در لوله های حاوی سیال با استفاده از شبکه عصبی مصنوعی JF - mdrsjrns JO - mdrsjrns VL - 14 IS - 7 UR - http://mme.modares.ac.ir/article-15-2642-fa.html Y1 - 2014 SP - 35 EP - 42 KW - Crack detection KW - Artificial Neural Network KW - Pipes KW - Natural frequencies N2 - در این تحقیق، سایز و موقعیت نسبی ترک، با استفاده از فرکانس¬های طبیعی لوله¬ی محتوی مایع تحت فشار به کمک شبکه عصبی تشخیص داده می¬شود. شبکه¬ی عصبی به کار رفته از نوع پرسپترون چندلایه (MLP) می¬باشد. با مقایسه ی بین ورودی¬های مختلف، ورودی¬های مطلوب انتخاب شدند. سیال داخل لوله آب می¬باشد. لوله¬های مورد استفاده از دو جنس آلومینیوم و فولاد هستند. لوله در چهار وضعیت: خالی از سیال، حاوی سیال با فشار صفر، با فشارMPa 498/0و با فشار MPa 981/0 می¬باشد. محدوده¬ی سایز ترک از 19043/0 تا 6346/0 و محدوده¬ی موقعیت از 199/0 تا 403/0 می¬باشد. در زمینه¬ی تشخیص ترک سازه¬ها بر مبنای خصوصیت تغییرات فرکانس طبیعی با کمک شبکه عصبی تحقیقات زیادی انجام شده است. اما تا آنجایی که مولفین آگاهی دارند، جهت شناسایی ترک در لوله¬های حاوی سیال از روش فوق الذکر استفاده نشده است. همچنین استفاده همزمان از سازه¬های با دو جنس مختلف برای آموزش و تست شبکه عصبی از دیگر نوآوری¬های این تحقیق می باشد. مقایسه روش پیشنهادی در این تحقیق با روش¬های تحلیلی انجام شده، نشان می¬دهد که روش پیشنهادی همواره در تخمین سایز دقیق¬تر می¬باشد ولی در تخمین موقعیت با توجه به تعداد کم نمونه¬ها همواره دقیق¬تر نیست. M3 ER -