TY - JOUR JF - Marine-Engineering JO - Marine Engineering VL - 1 IS - 1 PY - 2004 Y1 - 2004/9/01 TI - **EVALUATING THE FATIGUE CRACK GROWTH RATE IN OFFSHORE TUBULAR JOINTS USING ARTIFICIAL NEURAL NETWORKS TT - تعیین سرعت رشد خستگی در اتصالات لوله‌ای به وسیله شبکه‌های عصبی مصنوعی N2 - برای تخمین عمر باقیمانده سازه یک سکوی دریایی و تدوین برنامه زمان‌بندی بهینه جهت بازرسی و تعمیر در زیر آب، نیاز است تا آهنگ رشد ترک خستگی در اتصالات لوله‌ای به صورت مناسب پیش‌بینی شود. به دلیل کوچک بودن شعاع منطقه پلاستیک در نوک ترک خستگی، مکانیک شکست الاستیک خطی و ضریب شدت تنش، ابزار مناسبی برای تعیین سرعت رشد ترک خستگی بشمار می‌روند. راهکارهای متنوعی با استفاده از روشهای مختلف برای تعیین سرعت رشد ترک خستگی در اتصالات لوله‌ای بر اساس قانون رشد ترک پاریس معرفی شده‌اند که نتایج حل آنها منجر به ارائه معادلاتی برای تعیین ضریب اصلاح شدت تنش(Y) شده است. در این تحقیق قابلیت شبکه‌های عصبی مصنوعی در پیش‌بینی سرعت رشد ترک در اتصالات لوله‌ای T تحت بار محوری در حالتی که عمق ترک بیش از 20% ضخامت جداره ‌عضو اصلی است، مورد ارزیابی قرار گرفته است. در این مرحله از رشد ترک، فرآیند رشد بیشترین تأثیر را از هندسه اتصال و مد بارگذاری می‌پذیرد. دو نوع شبکه عصبی مصنوعی MLP و RBF برای تخمین ضریب اصلاح شدت تنش در عمق ترک خستگی طراحی شده و آموزش دیده است. اطلاعات ورودی برای این شبکه‌ها، نسبت عمق به عرض ترک و درصد رشد ترک در عمق جداره است. داده‌های استفاده شده برای آموزش و آزمون شبکه‌ها نتایج آزمایش روی شش اتصال T است که در مرکز NDE دانشگاه UCL انجام شده است. پس از طراحی، آموزش و آزمون شبکه‌ها و انتخاب شبکه بهینه، نتایج حل به کمک شبکه‌های عصبی با نتایج برخی روشهای موجود مقایسه شده است. SP - 1 EP - 12 AU - Fathi, Ali AU - Aghakoochak, Ali Akbar AD - KW - Tubular joints KW - Offshore platforms KW - Fatigue cracks KW - Linear elastic fracture mechanics KW - Stress intensity factor KW - Artificial neural networks UR - http://marine-eng.ir/article-1-1-fa.html ER -