است و برای طراحی آزمایش‌ها از روش عاملی کامل31 استفاده شده است. شبکه با الگوریتم پس انتشار خطا استفاده شده و از آن برای تعیین برازندگی کروموزوم‌های الگوریتم ژنتیک استفاده شده است [30].
S.H. Anijdan و همکاران در سال 2006، برای یافتن شرایط بهینه در فرآیند ریخته‌گری آلیاژ Al-Si به منظور به حداقل رساندن تخلخل، از شبکه عصبی و الگوریتم ژنتیک بهره بردند. برای مدل‌سازی پارامترها، شبکه پرسپترون چند لایه با یک لایه مخفی بكار گرفته شده است. در نهایت مقادير بهينه ترکیب شیمیایی و نرخ خنک کردن به کمک الگوریتم ژنتیک محاسبه شدهاند [31].
H.Y. Tseng در سال 2006، جهت انجام جوشکاری نقطه‌ای با بیشترین کیفیت و کمترین هزینه از شبکه عصبی و الگوریتم ژنتیک بهره برده است. چهار پارامتر نیروی الکترود، جریان جوشکاری، زمان جوشکاری و ضخامت ورق به عنوان پارامترهاي ورودی و بار تخریب به عنوان پارامتر خروجی در شبكه عصبي تعریف شدهاند. از شبكه عصبي پيشخور عمومي32 براي مدل‌سازي پارامترها استفاده شده است [32].
F. Mohammadi و همكاران در سال 2007، براي بهينه كردن شرايط بارگذاري در فرايند هيدروفورمينگ T شكل لوله از شبكه عصبي و سه الگوريتم جستجوي تپه‌نوردي33، آنيل شبيه‌سازي شده34 و تركيبي35 استفاده كردند. تابع هدف نيروي گيره‌بندي قالب در نظر گرفته شد و سه قيد براي رسيدن اتصال T شكل به ابعاد مورد نظر، جلوگيري از چين‌خوردگي و پارگي لوله در نظر گرفته شدند. تابع هدف و قيدها به كمك شبكه عصبي و با داده‌هاي حاصل از تحليل المان محدود بدست آمدهاند. مقادير بهينه فشار داخلي و تغذيه محوري لوله به كمك هر يك از سه روش جستجوي ذكر شده محاسبه شدند تا اطمينان حاصل شود كه جواب بدست آمده جواب بهينه كلي است نه بهينه محلي [33].
S.H. Mousavi Anijdan و همکاران در سال 2007، از شبکه عصبی و الگوریتم ژنتیک برای دستیابی به تنش جریان حداکثر در آزمایش فشار قطعات فولادی استوانه‌ای شكل از جنس SS 304 استفاده کردند. اثر سه پارامتر دما، کرنش و نرخ کرنش روی تنش جریان بررسی شدند. شبکه از نوع پیش رو با الگوریتم پس انتشار خطا بوده و دارای یک لایه پنهان میباشد [34].
V.R. Adineh و همكاران در سال 2008، برای بهینهسازی پارامترهای تاثیرگذار بر عملکرد لیزر CO2 از شبکه عصبی همراه با الگوریتم ژنتیک بهره برده‌اند. شبکه عصبي از نوع پیشرو میباشد و برای آموزش آن از الگوریتم‌هاي Bayesian Regularization و Levenberg-Marquardt به صورت جداگانه استفاده شده است. برای دستیابی به ساختار بهینه شبکه، شبکه با تعداد لایه‌ها و نورون‌های مختلف آموزش داده شده است و شبکه با خطای کمتر به عنوان شبكه بهينه انتخاب شده است [35].
S. John و همکاران در سال 2008، جهت بهینهسازی پارامترهای تاثیرگذار بر روی صافی سطح ورقها در فرایند نورد گرم از ترکیب شبکههای عصبی و الگوریتم ژنتیک استفاده کردند. شبکه از نوع پرسپترون چند لایه با الگوریتم پس انتشار بکار گرفته شده است. دادههای ورودی به شبکه شامل 18 پارامتر میباشد بعد از آموزش شبکه با این دادهها، تعداد 6 پارامتر به عنوان پارامترهای موثرتر جهت بهینهسازی انتخاب شدند و 12 پارامتر دیگر ثابت در نظر گرفته شدهاند [36].
M.J. Tsai و همکاران در سال 2008، به منظور دستیابی به شرایط بهینه در فرایند برش ورق‌های فلزی با استفاده از لیزر از الگوریتم ژنتیک همراه با شبکه عصبی استفاده کردند. شبکه پیش رو پس انتشار خطا با الگوريتم Levenberg-Marquardt با سه نورون در لایه ورودی و شش نورون در لایه خروجی بكار گرفته شده است. از الگوریتم ژنتیک برای یافتن مقادير بهينه پارامترهای برش جهت برش ورق با حداکثر سرعت و کمترین میزان ناحیه متاثر از حرارت36 استفاده شده است [37].
Z. Yong و همکاران در سال 2009، جهت یافتن مسیر بارگذاري بهینه در فرآیند هیدروفرمینگ لوله (فشار روغن در مقابل سرعت تغذیه لوله به داخل قالب) از الگوریتم ژنتیک استفاده کردند. از شبکه عصبی براي یافتن رابطه بین خروجی و ورودي فرایند استفاده شده است. هدف یافتن مقادیر بهینه دو پارامتر فشار سیال و سرعت تغذیه لوله در حین شکل دهی است به گونه اي که کمترین ضخامت جدار لوله به وجود آمده، میزان برگشت فنري و چین خوردگی در حد قابل قبولی باشند. تعداد 200 داده جهت آموزش شبکه عصبی استفاده شده است اين دادهها از طریق شبيه‌سازي المان محدود بدست آمدهاند. شبکه بكار گرفته شده از نوع پیشرو با الگوریتم Levenberg-Marquardt میباشد [38].
Z. Fu و همكاران در سال 2010، به كمك شبيه‌سازي المان محدود، شبكه هاي عصبي و الگوريتم ژنتيك فرايند خمكاري چند مرحله‌اي ورق‌هاي فلزي را بهبود بخشيدند. از شبكه عصبي چند لايه پس انتشار خطا استفاده شده است و از الگوريتم ژنتيك جهت يافتن مقادير بهينه وزن‌هاي شبكه عصبي استفاده شده است. رابطه بين پارامترهاي شعاع سنبه، شعاع برگشت فنري، ضخامت ورق، مدول يانگ وتنش تسليم به كمك شبكه عصبي بدست آمده است. از شبكه عصبي بدست آمده همراه با تحليل المان محدود براي محاسبه ابعاد بهينه سنبه جهت خمكاري چند مرحله‌اي ورق‌هاي فلزي استفاده شده است [39].
تعریف و اهداف پايان‌نامه
هدف از انجام اين پايان‌نامه يافتن مقادير بهينه پارامترهایی مانند فشار و شرايط اصطكاكي در فرايند خمكاري فشاري لوله جهت رسيدن به حداقل ميزان برگشت فنري مي‌باشد. اغلب در صنعت براي تنظيم مقادير مناسب اين پارامترها از روش سعي و خطي استفاده ميشود به كمك نتايج بدست آمده در اين پايان‌نامه به راحتي ميتوان مقادير مناسب پارامترهاي خمكاري را جهت خمکاری با شعاع خم کوچک و با كيفيت مطلوب محاسبه نمود. فعاليت‌‌هاي صورت گرفته در اين پروژه را ميتوان به بخش‌هاي كلي زير تقسيم نمود:
در مرحله اول يك مدل المان محدود مناسب براي فرايند خمكاري فشاري لوله توسعه داده شده است. تحليل‌هاي المان محدود به روش Explicit و در نرم‌افزار ABAQUS انجام شده است. از آنجايي كه داده‌هاي لازم براي بهينهسازي از طريق شبيه‌سازي‌هاي المان محدود بدست آمدهاند بنابراين آزمايش‌هاي مناسب براي جمع‌آوري دادهها طراحي شدند.
براي صحه‌گذاري نتايج بدست آمده از تحليل المان محدود تست تجربي خمكاري انجام شده است.
از داده‌هاي بدست آمده در مرحله قبل براي آموزش و تست شبكه عصبي استفاده شده است. از شبكه عصبي پيش‌رو پس انتشار خطي براي مدل‌سازي دادهها استفاده شده است.
براي بدست آوردن مقادير بهينه پارامترهاي فرايند، از الگوريتم‌هاي تكاملي (الگوريتم ژنتيك) استفاده شده است.
بخش‌بندي پايان‌نامه
در فصل اول توضيحات مختصري راجع به اصطلاحات خمكاري لوله، انواع فرايندهاي خمكاري لوله و مهم‌ترين عيوب خمكاري لوله بيان شده است و در انتها مروري بر كارهاي انجام شده در زمينه خمكاري لوله‌ها و بهينهسازي به كمك الگوريتم‌هاي تكاملي ارايه شده است.
فصل دوم شامل دو بخش مي‌باشد در بخش اول مباحث مربوط به شبكههاي عصبي مصنوعي و كاربرد آنها، توابع محركه، قوانين يادگيري شبكههاي عصبي و اصول الگوريتم پس انتشار خطا ارايه میشود. در بخش دوم به معرفي الگوريتم ژنتيك پرداخته ميشود. در مورد نحوه عملكرد الگوريتم ژنتيك و ساختار كلي آن بحث ميشود. در ادامه هر يك از بخش‌هاي الگوريتم ژنتيك به صورت خلاصه مورد بررسي قرار مي‌گيرند و انواع روش‌هاي كدگذاري، انتخاب، توليد مثل و جهش و مزايا و معايب هر يك از آنها شرح داده میشوند.
در فصل سوم مدل المان محدود استفاده براي تحليل فرايند خمكاري فشاري لوله شرح داده میشود. ابتدا توضيح مختصري در مورد توانايي‌‌هاي نرم‌افزار ABAQUS در تحليل فرايندهاي شكل‌دهي بيان شده و سپس اجزاي مدل شبيه‌سازي شده، شرايط اصطكاكي، نحوه بارگذاري، نوع المان‌ها و تعداد المان‌هاي اجزاي مدل و نحوه انتخاب آنها شرح داده میشوند.
در فصل چهارم كارهاي تجربي انجام گرفته در پروژه شامل تست كشش لوله و لاستيك و ساخت قالب و شرايط انجام تست خمكاري لوله شرح داده میشوند.
فصل پنجم شامل نتایج مربوط به تست‌های تجربی، اعتبارسنجی مدل المان محدود، توضيحات مربوط به روند انجام بهينهسازي و بحث روی نتایج به دست آمده مي‌باشد. آزمايش‌هاي طراحي شده براي بررسي اثر تغيير پارامترهاي خمكاري بر روي كيفيت خم و داده‌هاي حاصل از تحليل‌هاي المان محدود به ازاي هر يك از اين آزمايش‌ها ارايه شده و در مورد آنها بحث شده است. سپس چگونگي آموزش شبكه عصبي، يافتن شبكه بهينه، نحوه تنظيم پارامترهاي الگوريتم ژنتيك و مقادير بهينه بدست آمده ارايه شدهاند.
خلاصه نتايج بدست آمده در اين پروژه و نيز پيشنهادات مربوط به ادامه كار در اين زمينه در فصل ششم ارايه میشود.
فصل دوم
سيستمهاي هوشمند (شبكههاي عصبي و الگوريتم ژنتيك)
مقدمه اي بر شبكههاي عصبي مصنوعي
شبكههاي عصبي37 تركيبي از عناصر ساده ميباشند كه به صورت موازي با يكديگر عمل ميكنند. اين عناصر از سيستمهاي عصبي زيستي الهام گرفته شدهاند. همانند طبيعت اتصال موجود بين اين عناصر تا حد زيادي عملكرد شبكه را مشخص ميكند. با تنظيم مقادير مربوط به اين اتصالها (وزنها38) ميتوان شبكه را تعليم داد تا عمل خاصي را انجام دهد.
مغز انسان سامانة بسيار پيچيده‌اي است كه قادر به تفكر، يادآوري و حل مسائل است. تاكنون تلاشهاي زيادي صورت گرفته است تا مدل‌هاي رايانه‌اي از عملكرد مغز تقليد نمايند. هرچند اين نتايج چشم‌گير بوده، ولي در مقايسه با عملكرد مغز انسان كاملاً كم‌رنگ است. نرون39 يك واحد سلولي از سامانة عصبي مغز است. نرون يك پردازشگر ساده است كه از طريق مسيرهاي ورودي به نام دندريت‌ها علائمي را از ساير اعصاب دريافت كرده و آنها را با هم تركيب ميكند. اگر اين علائم ورودي به اندازة كافي قوي باشد نرون به اصطلاح آتش ميكند و يك علامت خروجي را در طول آكسوني40 كه به دندريت41 ساير نرون ها متصل است ارسال ميكند.
در شکل (1 2) بخش هاي مختلف يك نرون مصنوعي و طبيعي با يكديگر مقايسه شده اند. هر علامتي كه به دندريت يك نرون وارد ميشود از يك سيناپس42 يا اتصال سيناپسي عبور ميكند. اين اتصال يك شكاف بسيار كوچك در دندريت است كه با نوعي مايع هادي عصبي پر شده است كه جريان بارهاي الكتريكي را تندتر يا كندتر ميكند. اين مايع الكتريكي علايمي را توليد ميكند و به سوي هسته نرون مي‌فرستد. تنظيم ميزان مقاومت يا هدايت الكتريكي اين فاصله سيناپسي، يك فرآيند بسيار مهم است. به علاوه همين تنظيم ميزان هدايت باعث حفظ كردن مطالب و يادگيري ميشود. يك نرون مصنوعي نيز مدلي است كه اجزاء آن شباهت مستقيمي به اجزاي واقعي دارند [40].
شکل (2 1): مقايسه بين سلول عصبي طبيعي و مصنوعي
مدل رياضي نرون
نرون کوچکترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکههای عصبی را تشکیل میدهد. در شکل (2 2) ساختار یک نرون تک لایه نشان داده شده است كه در آن p ورودی و a خروجی شبکه میباشد.
شکل (2 2): نمايش مدل يك نرون مصنوعي ساده
اين مدل ابتدا مجموع وزني وروديهاي خود را محاسبه كرده و سپس آن را با سطح آستانه داخلي خود مقايسه ميكند و چنانچه از آن تجاوز كند فعال ميشود. در غير اين صورت غير فعال باقي ميماند. چون وروديها براي توليد خروجي از ميان نرون عبور ميكنند به اين سيستم پيشخور43 ميگويند. در شکل (2 2) ورودی p در وزن w ضرب میشود. براي راحتي، بایاس44 b به صورت يك وزن در نظر گرفته ميشود كه در ورودی ثابت 1 ضرب ميشود. اين حاصلضرب با wp جمع می شود كه حاصل آن ورودی خالص45 n برای تابع تبدیل46 f خواهد بود. بدین ترتیب خروجی نرون با معادلهی زیر تعریف میشود:
(2 1)
a=f(wp+b)
در مقایسهی این مدل تک ورودی با یک نرون بیولوژیکی، w معادل شدت سیناپسی
