ANN-SMA birlikte kullanılmasının sağladığı vekil destekli optimizasyon çerçevesi ile kompozit panellerin FE model güncellemesi için sağlam bir strateji

Sanal yapıların ayarlanmasının önemi

Mühendisler köprülerin, uçak parçalarının ve rüzgar türbini kanatlarının hizmet sırasında nasıl titreşeceğini ve dayanacağını tahmin etmek için giderek daha fazla bilgisayar modellerine dayanıyor. Ancak bu modeller, içine konan sayılar kadar iyidir. Katmanlı kompozit malzemeler —şimdi havacılık ve deniz yapılarında yaygın— için bu sayıların doğru belirlenmesi özellikle zordur. Bu makale, laboratuvar testleri, yapay zekâ ve doğadan esinlenen bir arama yönteminin birleşimiyle bir kompozit panelin bilgisayar modelinin gerçek yapıya neredeyse tam olarak uymasını nasıl sağlayabileceğini gösteriyor.

Laboratuvardan dijital ikizlere

Çalışma, epoksi ile bağlanmış on ince kumaş katmanından oluşan gerçek bir cam elyafı kompozit panel ile başlar. Laboratuvarda panel kenarlarından desteklenir ve enstrümante bir çekişle hafifçe vurulur; küçük ivmeölçerler nasıl titreştiğini kaydeder. Bu ölçümleri işleyerek araştırmacılar panelin doğal frekansları (tercih ettiği titreşim tonları) ve ilişkili eğilme şekilleri gibi ana titreşim özelliklerini çıkarır. Bu deneysel parmak izleri, bilgisayar modelinin eşleştirmesi gereken altın standart işlevi görür.

İlk modelin oluşturulması ve kontrolü

Eş zamanlı olarak, ekip aynı panelin ayrıntılı bir sanal versiyonunu standart bir yapısal simülasyon aracı kullanarak oluşturur. Sanal panel, katmanlı yapısını ve farklı yönlerdeki rijitliğini temsil etmek üzere birçok küçük kabuk elemanına bölünmüştür. Doğal frekanslarını ve titreşim şekillerini hesapladıklarında tahminlerin yakın ama kusursuz olmadığını görürler: bazı tonlar laboratuvar sonuçlarından %10’dan fazla farklılık gösterir. Şekillerin daha yakından karşılaştırılması, genel desenler benzer görünse de özdeş olmadıklarını ortaya koyar. Bu uyumsuzluk, sanal modelde varsayılan bazı özelliklerin —örneğin rijitlik, kalınlık veya yoğunluk— hafifçe yanlış olduğunu doğrular.

Modeli taklit eden hızlı bir vekilin eğitilmesi

Model parametrelerini doğrudan ayarlamak ve tam simülasyonları binlerce kez yeniden çalıştırmak çok yavaş olacağından, yazarlar “vekil” modelleri tanıtır: pahalı simülasyonu taklit etmeyi öğrenen hızlı matematiksel temsilciler. Kalınlık, rijitlik ve yoğunluk için gerçekçi sınırlar içinde rastgele yüzlerce kombinasyon örneklenir, her biri için tam simülasyon çalıştırılır ve ortaya çıkan frekanslar ile şekil eşleştirme puanları toplanır. Bu veri kümesi üzerinde üç tür vekil eğitilir: basit bir polinom yüzey, Kriging adındaki istatistiksel bir yöntem ve bir yapay sinir ağı. Testler, sinir ağının girdiler ile titreşim tepkisi arasındaki karmaşık ilişkileri en iyi yakaladığını ve değerlendirmeye hızlı kalmasını sağlayarak her bir tahmini saniyelerden saniyenin kesirlerine indirdiğini gösterir.

Tasarım uzayını aramak için slime mould ilhamı

Sinir ağı neredeyse anlık bir öngörücü görevini üstlendikten sonra bir sonraki zorluk, sanal paneli gerçekle hizalayacak parametre kombinasyonlarını aramaktır. Bunun için araştırmacılar, slime mould adlı organizmaların çevrelerini keşfetmek için nasıl yayıldıklarından ve zengin besin kaynaklarına doğru çekildiklerinden ilham alan bir algoritma kullanır. Optimizasyonda her “organizma” panel özelliklerinin aday bir kümesini temsil eder. Öngörülen ile ölçülen frekanslar arasındaki uyumsuzluğun bir ölçütü tarafından yönlendirilen sanal slime mould’lar konumlarını kaydırır, geniş keşif ile odaklanmış iyileştirme arasında denge kurar. Bu yapay arama tamamen vekil üzerinde çalıştırıldığından binlerce deneme hızla tamamlanabilir.

Daha keskin eşleşme ve daha hızlı hesaplama

Sinir ağı ve slime mould stratejisinin birleşimi dijital paneli belirgin şekilde iyileştirir. Güncellemeden sonra ilk beş doğal frekanstan dördü laboratuvar değerlerinden %1’den az sapma gösterir ve hatta en zor yüksek frekans modu bile orijinal modele göre belirgin biçimde iyileşir. Gerekli ayarlamalar fiziksel olarak makuldür: etkili rijitlikte ılımlı bir azalma ile kalınlık ve yoğunlukta hafif ince ayarlar, gerçek dünya üretim varyanslarıyla tutarlıdır. Aynı sinir ağı vekili daha yerleşik sürü davranışı veya genetik evrim benzeri arama yöntemleriyle eşleştirildiğinde, yeni slime mould yaklaşımı yine de daha güvenilir bir şekilde yakınsar ve hesaplama süresini yaklaşık %7 ila %30 arasında azaltır. Pratikte bu, mühendislerin kompozit yapıların daha güvenilir "dijital ikizlerini" daha hızlı elde edebilecekleri, böylece daha iyi tasarım kararlarını ve daha hassas sağlık izleme sistemlerini destekleyecekleri anlamına gelir.

Atıf: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Anahtar kelimeler: kompozit yapılar, sonlu eleman model güncellemesi, vekil modelleme, yapay sinir ağları, meta-sezgisel optimizasyon