عنوان

پیش بینی نرخ رشد عیب در مدل سازه جكتی فراساحلی مبتنی بر شبكه هاي عصبی عمیق

پ۲۷۴۰۹

per

پیش بینی نرخ رشد عیب در مدل سازه جكتی فراساحلی مبتنی بر شبكه هاي عصبی عمیق

علیرضا چاویده

مهندسی مکانیک

۱۴۰۱

۷۵ص.

سی دی

کارشناسی ارشد

مهندسی مکانیک

۱۴۰۱/۰۶/۲۹

با توجه به رشد صنایع در عصر حاضر و اهمیت تعیین کننده فاکتورهای زمان و هزینه در شرکت های صنعتی، لزوم استفاده از روش¬هایی جهت پیش بینی نرخ رشد عیوب ماشین¬آلات و سازه¬ها بیش از پیش احساس می¬گردد تا بتوانند از تحمیل هزینه¬های مازاد مالی و جانی به مجموعه جلوگیری کرد. سازه های جکتی فراساحلی متداول¬ترین نوع سازه های دریایی هستند و نقش بسزایی در صنایع نفت و گاز در آب-های کم عمق و متوسط دارند. در سازه¬های فراساحلی نظر به ملاحظات ایمنی نیروی کار، محیط زیست و تجهیزات پیش¬بینی نرخ رشد عیوب احتمالی باعث به حداقل رسیدن آسیب ها می¬گردد. از طرف دیگر با گسترش روش های مبتنی بر یادگیری ماشین و هوش¬مصنوعی،¬ روش¬های عیب¬یابی و پیش¬بینی عیوب در بخش¬های مختلف صنعتی این امکان فراهم گردیده تا با استفاده از این روش¬ها با دقت¬ بسیار مناسبی به میزان عیوب و شدت آن¬ها پی برد و مدل¬های مناسبی را ارائه کرد.در این پژوهش، نوآوری عمده که تا به حال کمتر مورد توجه قرار گرفته است پیش¬بینی احتمال رخداد عیب در مدل سازه¬های جکتی فراساحلی با استفاده از روش¬های یادگیری عمیق به منظور حفظ ایمنی و جلوگیری از آسیب های احتمالی خواهد بود. برای این منظور ابتدا مدل المان محدود مدل در نرم افزار آباکوس مدلسازی و عیب به وسیله تغییر سفتی در المان ها مدل گردید. با استخراج داده های مورد نظر به دلیل وجود اختلاف بسیار کم داده های با یکدیگر استفاده از شبکه های یک بعدی کانولوشنی عمیق به دلیل نرخ پایین درصد صحت در فرآیند آموزش، تست و همچنین مواجهه با پدیده بیش برازش مقدور نشد در نهایت با استفاده از شبکه یادگیری عمیق LSTM و تغییر لایه های آن به BiLSTM عیب¬های مورد نظر به شبکه آموزش داده شد. در مرحله ارزیابی قدرت و پایداری شبکه از داده¬هایی که تاکنون در فرآیند آموزش شبکه مورد دخیل نبوده-اند، استفاده گردید تا از صحت کارکرد شبکه و نتایج به دست آمده اطمینان حاصل گردد

Abstract Considering the growth of industries in the present era and the importance of determining factors of time and cost in industrial companies, the need to use methods to predict the growth rate of defects of machines and structures is felt more and more in order to be able to It prevented the imposition of excess financial and human costs on the collection. Offshore jacket structures are the most common types of marine structures and play a significant role in oil and gas industries in shallow and medium waters. In offshore structures, taking into consideration the safety considerations of labor force, environment and equipment, predicting the growth rate of possible defects causes the damage to be minimized. On the other hand, with the expansion of methods based on machine learning and artificial intelligence, methods of troubleshooting and predicting defects in various industrial sectors, it has become possible to use these methods with great accuracy. He properly realized the amount of defects and their severity and presented suitable models. In this research, the major innovation that has received little attention so far will be predicting the probability of failure in the model of offshore jacket structures using deep learning methods in order to maintain safety and prevent possible damages. For this purpose, first the finite element model of the model was modeled in Abaqus software and the defect was modeled by changing the stiffness in the elements. By extracting the desired data, due to the very small difference between the data, it was not possible to use one-dimensional deep convolutional networks due to the low accuracy rate in the training and testing process, as well as encountering the phenomenon of overfitting. Finally, using the network LSTM deep learning and changing its layers to BiLSTM, the desired defects were taught to the network. In the phase of evaluating the strength and stability of the network, the data that have not been involved in the training process of the network were used to ensure the correctness of the network operation and the results obtained.

Damage prognosis in offshore-jacket structure model based on deep neural networks

چاویده،

علیرضا ‏

تهيه کننده

‏حسن نژاد قدیم،

محمد اتفاق،

رضا ‏

میر ‏

استاد راهنما

استاد مشاور

‏ تبریز