fa تعیین سرعت رشد خستگی در اتصالات لوله‌ای به وسیله شبکه‌های عصبی مصنوعی هیدروديناميك سازه های ساحلی و فراساحلی Offshore Hydrodynamic مقاله پژوهشي Research Paper <p dir="RTL">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.&nbsp; 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(<span dir="LTR">Y</span>) شده است. در این تحقیق قابلیت شبکه‌های عصبی مصنوعی در پیش‌بینی سرعت رشد ترک در اتصالات لوله‌ای <span dir="LTR">T</span> 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 <span dir="LTR">MLP</span> و <span dir="LTR">RBF</span> 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 <span dir="LTR">T</span> است که در مرکز <span dir="LTR">NDE</span> دانشگاه <span dir="LTR">UCL</span> 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.</p> <p dir="RTL"></p> <p dir="RTL"></p> <p dir="RTL"></p> <p>In order to predict the residual life of offshore platforms and establish efficient schedule for underwater inspection and repair, it is necessary to estimate the fatigue crack growth rate in tubular joints properly. Linear Elastic Fracture Mechanics and Stress Intensity Factor are applicable tools for evaluating growth rate of existing fatigue cracks in offshore tubular joints. In the past several approaches based on Paris crack growth law, have been proposed in this regard. Each of these approaches use different methods for estimating the Stress Intensity Modification Factor (Y). In this research the capability of Artificial Neural Networks for evaluating the fatigue crack growth rate in offshore tubular T-joints under axial loading is investigated, when the crack depth is more than 20% of chord wall thickness. For this condition the crack growth process is highly affected by joint geometry and loading mode. Two types of artificial neural network are developed for predicting the Y factor: Radial Basis Function (RBF) and Multi Layer Perceptron (MLP) networks. The required input data consist of the crack shape and the percentage of crack penetration through thickness. Experimental data from NDE center in University College London are used for training and testing the networks. The results of this research are compared with other existing theoretical and empirical solutions.</p> اتصالات لوله‌ای, سکوهای دریایی, ترک خستگی, مکانیک شکست الاستیک خطی, ضریب اصلاح شدت تنش, شبکه‌های عصبی مصنوعی Tubular joints, Offshore platforms, Fatigue cracks, Linear elastic fracture mechanics, Stress intensity factor, Artificial neural networks 1 12 http://marine-eng.ir/browse.php?a_code=A-10-1-1&slc_lang=fa&sid=1 Ali Fathi علی فتحی 10031947532846002563 10031947532846002563 No Tarbiat Modarres University دانشگاه تربیت مدرس Ali Akbar Aghakoochak 10031947532846002564 10031947532846002564 Yes Tarbiat Modarres University دانشگاه تربیت مدرس