CV


Hossein Jarrahi feriz

Hossein Jarrahi feriz

Assistant Professor

Faculty: Ferdows Technical College

Department: Civil Engineering

Degree: Ph.D

CV
Hossein Jarrahi feriz

Assistant Professor Hossein Jarrahi feriz

Faculty: Ferdows Technical College - Department: Civil Engineering Degree: Ph.D |

بهینه‌سازی فیوز‌ برشی فولادی

Authorsحسین جراحی فریز,علی محمودی,محسن خطیبی نیا,احسان محتشمی
Conference Titleدومین کنفرانس ملی مهندسی زیرساخت‬ ها
Holding Date of Conference2025-05-07
Event Placeارومیه
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences

Abstract

امروزه تکنیک‌های بهینه‌سازی عددی به‌عنوان ابزارهایی تخصصی و چندمنظوره، نقش مهمی در طراحی بهینه در حوزه‌های مختلف علوم مهندسی ایفا می‌کنند. نخستین اظهارنظر رسمی پیرامون طراحی سازه بر پایه بهینه‌سازی عددی توسط اشمیت در سال 1960 ارائه شد. از آن زمان، با پیشرفت سریع رایانه‌ها و توسعه هم‌زمان روش‌های عددی، پژوهش‌های مرتبط با بهینه‌سازی وارد مرحله‌ای نوین شده‌اند. در سال‌های اخیر، الگوریتم‌های نوینی که عمدتاً از طبیعت و رفتار موجودات الهام گرفته‌اند، به‌عنوان ابزارهایی کارآمد برای حل مسائل پیچیده مهندسی مورد استفاده قرار گرفته‌اند. این الگوریتم‌ها موجب کاهش هزینه و زمان، افزایش راندمان و بهبود عملکرد در پروژه‌های مهندسی شده‌اند. هدف این پژوهش، طراحی بهینه شکل فیوز برشی فولادی است. در این پژوهش با هدف کاهش زمان تحلیل‌های محاسباتی، از مدل داده‌محور WLS-SVM (ماشین بردار پشتیبان حداقل مربعات وزن‌دار) به‌عنوان جایگزینی برای تحلیل غیرخطی فیوز برشی تحت بارگذاری چرخه‌ای استفاده شده است. ابتدا پارامترهای مؤثر بر رفتار فیوز شناسایی و با استفاده از روش نمونه‌گیری LHS، 200 نمونه با ابعاد تصادفی تولید شد. سپس با لینک نرم‌افزارهای MATLAB و Abaqus، تحلیل غیرخطی نمونه‌ها انجام و خروجی‌هایی نظیر حداکثر کرنش پلاستیک، انرژی تلف‌شده و نسبت آن‌ها استخراج شد. داده‌های حاصل به‌عنوان ورودی مدل WLS-SVM مورد استفاده قرار گرفت و مدل با الگوریتم WLS آموزش داده شد. برای افزایش دقت، داده‌های مهم‌تر وزن بیشتری در فرایند آموزش دریافت کردند. مدل توسعه‌یافته در قالب یک چارچوب ترکیبی با الگوریتم PSO در فرایند بهینه‌سازی به کار گرفته شد. اعتبارسنجی مدل با استفاده از معیارهای آماری مانند ضریب تعیین (R²)، میانگین مربع خطا (MSE) و دقت پیش‌بینی، حاکی از عملکرد مطلوب آن در پیش‌بینی پاسخ‌های غیرخطی و تسریع فرآیند بهینه‌سازی است.در نهایت طی این بهینه سازی مدلی با ظرفیت جذب انرژی 616600 تولید شد که نسبت به مدل اولیه مقاله حدود 20 درصد جذب انرژی بالاتری دارد.

Paper URL