fa بهینه سازی پوششهای جاذب صوت دارای حفره ی داخلی استوانه ای با استفاده از ‌الگوریتم ‌ژنتیک و مدل ‌جایگزین مبتنی بر شبکه عصبی مصنوعی ‌ سازه کشتی Ship Structure مقاله پژوهشي Research Paper <div style="text-align:justify"><span dir="RTL" lang="FA" style="font-size:11.0pt">در این پژوهش یک طراحی بهنیه برای پوشش‌های جاذب صوت زیرآبی ارایه شده است. به دلیل زمان و هزینه‌ی محاسباتی بسیار زیاد فرآیند بهنیه&shy; سازی مبتنی بر الگوریتم ژنتیک با استفاده از حل&shy;گر المان محدود، هسته &shy;ی بهینه&shy; سازی بر اساس ترکیب الگوریتم ژنتیک و مدلِ جایگزینِ بر پایه‌ی شبکه‌های عصبیِ مصنوعیِ، در نظر گرفته شد. آموزش شبکه عصبی مبتنی بر حل&shy;گر المان محدود قرار داده شد و در گام‌ بعدی صحت پاسخ&shy;های مدلِ جایگزین ارزیابی گردید. سپس فرآیند بهنیه‌سازی با استفاده از این مدل، انجام پذیرفت و نتایج حاصل نشان داد که در حوزه فرکانس پایین (زیر 10 کیلوهرتز)، حفره&shy;ی بهینه، مخروطی و با رأسی نزدیک به سطح ورود موج به پوشش، بدست خواهد آمد. اما برای کل بازه&shy;ی فرکانسی، شکل حفره&shy; ی بهینه، مخروطی اما در جهت عکس حالت فرکانس پایین است.</span> <span dir="RTL" lang="FA" style="font-size:11.0pt">بنابراین انتخاب بازه مطلوب فرکانس در پروسه طراحی و بهینه&shy; سازی بسیار اهمیت دارد. همچنین پاسخ بهینه، به صورت مشخص دارای عملکرد بهتری نسبت به پوشش&shy; های به صورت تصادفی آزموده شده &shy;ی دیگر بود. علاوه بر این با افزایش تعداد متغیرهای بهینه&shy; سازی، پاسخ بهینه قطعاً تغییر کرده و اما پیچیدگی مسئله نیز به شدت افزایش خواهد یافت. </span></div> <div style="text-align:justify"><span style="font-size:12pt"><span style="font-size:10.0pt">This research introduces the optimal design for underwater sound-absorbing linings. To address the time and computational cost of the optimization process, a combined approach of the genetic algorithm and a surrogate model using artificial neural networks was implemented. The results conclusively demonstrate that the best cavity shape for the low-frequency domain is conical with an apex near the surface of the entering wave. In contrast, a conical shape in the opposite direction of the low-frequency case is optimal for the entire frequency range. Selecting the best frequency range is crucial for the design and optimization process. The optimal response significantly outperformed other randomly established linings, validating the chosen approach. Additionally, increasing the number of optimization variables will undoubtedly alter the optimal solution, albeit with a considerable increase in problem complexity.</span></span></div> بهینه سازی,مدل جایگزین,الگوریتم ژنتیک,جاذب صوت,شبکه عصبی مصنوعی Optimization,Surrogate Model,Genetic Algorithm,Sound Absorbing,Artificial Neural Network 1 14 http://marine-eng.ir/browse.php?a_code=A-10-1494-1&slc_lang=fa&sid=1 Sayed Hamid Sohrabi سید حمید سهرابی s.h.sohrabi@mut-es.ac.ir 10031947532846006051 10031947532846006051 Yes Malek Ashtar University of technology, Mechanical Engineering Complex, Marine Department مجتمع دانشگاهی مکانیک، دانشگاه صنعتی مالک اشتر Amir Karimi امیر کریمی a.karimi@me.iut.ac.ir 10031947532846006052 10031947532846006052 No Mechanical Engineering Department, Isfahan University of Technology, Isfahan, Iran دانشگاه صنعتی اصفهان، دانشکده مهندسی مکانیک Saeed Parsamehr سعید پارسامهر s.parsamehr@alumni.iut.ac.ir 10031947532846006053 10031947532846006053 No Mechanical Engineering Department, Isfahan University of Technology, Isfahan, Iran دانشگاه صنعتی اصفهان، دانشکده مهندسی مکانیک