Entegre güçlendirilmiş yapısal paneller için yapay sinir ağı bazlı burkulma yükleri belirleme aracı

The sudden change in the load carrying capacityunder compresive loading, called buckling,may cause catastrophic failures. Therefore, determination of the first buckling and collapse loads of structural elements is essentialin preliminary design stages. Finite element (FE)analyses and structural testing are used to determine buckling characteristics of a structural element. However, in early design stages, FE analyses are time consuming and structural testing is costly. In this study, an artificial neural network tool(ANN)is used to reduce computational effort to determine buckling loads of integrally stiffened structural panels in early design stages. Reuslts of FE analyses are employed to train the ANN. Moreover, Latin Hypercube Sampling (LHS) methodology is used to reduce the number of required FE analyses to generate database that artificial neural network is based on. Finally, a Multi-fidelity samplingalgorithmthat uses FE models with different mesh resolutionsis implemented for generation of the ANN database in order to reduce computational time spent for finite element analyses. Mean errors and fit performance model results are compared to determine accuracy of the neural network results.Basma yükeri altında yapısal parçalarda yük taşıma kapasitesindeki ani düşüş, diğer adıyla burkulma uçak yapısallarında geri dönüşü olmayan hasarlara sebep olur. Bu sebeple ön tasarım süreçlerinde tasarlanan parçaların burkluma ve çökme yüklerinin tespit edilmesi hayati önem arzetmektedir.Bu yükleri tespit etmede ticari sonlu eleman yazılımları ve yapısal testlerden yararlanılmaktadır. Ancak ön tasarım süreçleri için yapısal analizler zaman kaybına sebep olurken yapısal testler de maliyetlidir. Bu çalışmada, ön tasarım süreçlerinde kaybedilen zamanı azaltmak amacıyla, entegre güçlendirilmiş yapısal paneller için yapay sinir ağı bazlıilk burkulma ve çökme yükleri belirleme yöntemi geliştirilmesi hedeflenmiştir.Sonlu eleman analizleri yapay sinir ağlarını eğitmek için kullanılmıştır.Ayrıca Latin Hiperküp ÖrneklemeMetodolojisiile yapay sinir ağı data havuzunu oluşturmak için gerekli sonlu eleman analiz sayısınınazaltılmasıamaçlanmıştır.Son olarakDeğişken Doğruluk Seviyeli SeçimAlgoritmalarıyla yapay sinir ağı data havuzu için harcanan süreyi azaltmak amaçlanmıştır.Oluşturulan yöntemden alınan sonuçlar ortalama hata kıyaslamalarıyla değerlendirilmiştir.M.S. - Master of Scienc