ارائه‌کننده: علیرضا تابش
استاد راهنما: دکتر غلامحسین لیاقت، دکتر حامد احمدی
استاد مشاور: دکتر محمدجواد میرزاعلی
استاد ناظر داخلی: دکتر مرتضی کارآموز مهدی آبادی
استاد ناظر خارجی: دکتر هادی صبوری
تاریخ: 1403/06/27
ساعت: 7:30
مکان: دانشکده فنی و مهندسی، طبقه اول، کلاس 154

چکیده:
فرامواد مکانیکی موادی هستند، که ساختارهای مهندسی شده‌ای داشته و خواص مکانیکی آن‌ها علاوه بر ساختار شیمیایی و خواص مواد آن‌ها، به شکل ساختاری آن‌ها نیز وابسته است. این مواد دارای خواص مکانیکی غیر عادی هستند که در طبیعت یافت نمی‌شود، مانند ساختارهای آگزتیک که دارای ضریب پوآسون منفی هستند. ساختارهای آگزتیک مختلفی با شکل سلولی متنوعی وجود دارند ولی در این پژوهش شکل هندسی ری‌اینترنت به دلیل شکل هندسی ساده و وابستگی آن فقط به دو عامل طول و زاویه خرپا مورد مطالعه قرار گرفته است. بدست آوردن خواص مورد نظر در یک سازه متشکل از چندین سلول آگزتیک و غیر آگزتیک کار بسیار دشوار و زمان‌بری است و کنار هم قرار دادن شکل‌های سلولی متفاوت و ایجاد ترکیبات جدید و حل عددی آن‌ها زمان زیادی می‌برد. امروزه با پیشرفت علم و گسترش علم پردازش داده و همچنین افزایش تعداد داده‌ها از پژوهش‌های پیشین، علم یادگیری ماشین در حال توسعه می‌باشد. روش یادگیری ماشین، روشی است که در آن مدل‌ها از داده‌ها برای تشخیص الگوها و پیش‌بینی نتایج استفاده می‌کند.
در این روش سامانه‌ای ایجاد شده‌است که در آن رایانه با استفاده از داده‌های پیشین و فراگرفتن رابطه بین ورودی و خروجی هر داده، بعد از آموزش، صرفاً با درک رابطه ورودی و خروجی توانایی پیش‌بینی مقادیر جدید را پیدا می‌کند. در این پژوهش، برای ایجاد شبکه یادگیری ماشینی ابتدا نیاز به ایجاد بانک داده مناسب وجود دارد. سازه هدف در این پژوهش، ساختار متخلخل متشکل از 11 × 11 سلول تشکیل شده است. بدین منظور ابتدا با استفاده از نرم‌افزار متمتیکا اقدام به تولید تصاویر شبه‌تصادفی با الگو شعاعی می‌شود. این تصاویر 11 × 11 پیکسل بوده و به فرم تصویر خاکستری هستند. این تصاویر نقشه تشکیل ساختار متخلخل جهت تحلیل عددی هستند. سپس با نوشتن اسکریپت مناسب در نرم‌افزار آباکوس و متصل کردن خروجی‌های نرم‌افزار متمتیکا و متصل کردن آن به اسکریپت آباکوس اقدام به تولید ساختار می‌گردد.
برای تولید بانک داده جهت فرآیند آموزش شبکه یادگیری ماشین، 5000 تصویر و به دنبال آن 5000 حل اجزاء محدود بدست خواهد آمد. روش یادگیری ماشین دارای روش‌ها و الگوهای متفاوت است. در این پژوهش از روش یادگیری عمیق با استفاده از شبکه عصبی کانولوشنی استفاده گردیده است. بعد از طراحی شبکه عصبی کانولوشنی خطا آن کمینه گردید و شبکه به مقدار مناسبی همگرا گردید. این شبکه توانایی حل مسائل با دادن ساختار دلخواه در چند میلی‌ثانیه را دارد. هدف تلفیق علم پردازش داده و یادگیری ماشین با علم مکانیک جامدات بوده است و ارائه مسیری برای پژوهش‌های آینده در این علم نوظهور است.