امیرحسین ابوالمعصومی

ارتعاش، پدیده ی فراگیر در جهان اطراف ماست در بسیاری ازموارد این ارتعاشات منشاء خسارات وهزینه های قابل توجهی است حال کنترل ارتعاشات ناخواسته در سیستم‌های دینامیکی و سازه‌ها یک چالش مهم پیش روی علوم مهندسی است.یکی از این راهکارها استفاده از میراگرهای هوشمندمغناطیسی(MR) است میراگرهای هوشمند مغناطیسی راهکاری مؤثر برای مدیریت ارتعاشات فراهم می‌کنند، اما عملکرد صحیح آن‌ها به شناسایی یک مدل دینامیکی دقیق و قابل‌اعتماد وابسته است. این تحقیق با هدف ارائه یک مدل‌سازی دقیق برای میراگرهای مغناطیسی، از روش شبکه عصبی مبتنی بر فیزیک (Physics-Informed Neural Network - PINN) استفاده می‌کند. روش PINN مزیت ترکیب قابلیت یادگیری داده‌محور شبکه‌های عصبی با محدودیت‌های فیزیکی سیستم را برای افزایش دقت مدل‌سازی داراست. در این پژوهش، داده‌های رفتار دینامیکی میراگر از طریق شبیه‌سازی در محیط متلب تولید و پس از نرمال‌سازی، برای آموزش شبکه عصبی استفاده شدند. برای اعمال قیدهای فیزیکی، روابط دینامیکی مدل اسپنسر به ساختار شبکه عصبی افزوده شد. نتایج تحلیل و مقایسه خروجی‌های شبیه‌سازی نشان داد که مدل PINN پیشنهادی، در مقایسه با روش‌های صرفاً داده‌محور، به‌طور قابل‌توجهی عملکرد بهتری دارد. به‌ویژه، بررسی نمودارهای هیسترزیس (نیرو-جابه‌جایی) ، (نیرو-سرعت )و پارامترهای شناسایی‌شده مدل اسپنسر حاکی از آن است که المان‌های مدل به دست آمده با قید فیزیکی، انطباق نزدیک‌تری با داده‌های مدل واقعی میراگر نشان می‌دهند و خطای پیش‌بینی به طور محسوسی کاهش یافته است. در نهایت، این تحقیق اثبات می‌کند که به‌کارگیری شبکه عصبی مبتنی بر فیزیک با اعمال قید مدل اسپنسر، یک روش مؤثر و دقیق برای شناسایی مدل‌های دینامیکی میراگرهای مغناطیسی هوشمند است.