لماک یشهوژپ هلاقم رد خیرات ی تفا 9 / 11 / 91
ذپ خیرات ی شز 11 / 1 / 99
هئارا رد اس ی ت 03 / 6 /
99 14-74صص9 هرامش10هرود ،1099 رذآ
هنیهب
زاس لکش بلاق هفده دنچ ی
اسجا سیلانآ زا هدافتسا اب قرو یهد
لدم‌اب‌هارمه‌دودحم
حطس
خساپ
لاحک زیورپ ،1
ینغورب یدمحا فسوی دیس
2
،*
یدضع یملید دماح
3
1 - ،هی٘اىٔ یػذٟٙٔ یاشتود یٛدـ٘اد ذٙخشیت ،ذٙخشیت ٜاٍـ٘اد
2 - سایداتػا ذٙخشیت ،ذٙخشیت ٜاٍـ٘اد ،هی٘اىٔ یػذٟٙٔ
3 - ناسا ،ناسا یتؼٙك ٜاٍـ٘اد ،هی٘اىٔ یػذٟٙٔ سایداتػا
* ذٙخشیت ، یتؼپ قٚذٙك 615
/ 97175 ، syahmadi@birjand.ac.ir
هذیکچ - ؽٚس هی ؾٞٚظپ ٗیا اس
سد ٗیػذٟٙٔ ٝت هٕو یاشت
ٝٙیٟت صاػ ی
ُىؿ
ٞد قسٚ ی یٔ حشؿ
ٖآ سد ٝو ذٞد صا
َذٔ
حغػ ٜاشٕٞ خػاپ
ٝیاپ شت ٝفذٞ ذٙچ هیت٘ط ٓتیسٍِٛا ٟٝثخ
ٛتساپ تػا ٜذؿ ٜدافتػا ،
ِٝامٔ صا یسایؼت سد . اٞ
یاشت ، تػد یتای ٝٙیٟت یاٞشتٔاساپ ٝت ذٙیاشف
ُىؿ
ٞد ی
،قسٚ
ِٝأؼٔ
هی ٝت ٝفذٞ ذٙچ
ِٝأؼٔ
هیٙىت ٚ دٚذحٔ اضخا ضیِا٘آ صا غپػ ٚ ٜذؿ ُیذثت ٝفذٞ هت
ٝٙیٟت صاػ .تػا ٜذؿ ٜدافتػا ی ؾٞٚظپ ٗیا سد
غتاٛت ٖدشو ٝٙیٕو فذٞ
ساٌصاػا٘
ٖأضٕٞ تسٛك ٝت یٌذیوٚشچ ٚ یٍتخیؼٌ
ٜدٛت تػا شیغتٔ . اٞ
شی٘ یحاشع ی
ٚ ذیت ٝػذٙٞ ٚ شیٍلسٚ ی یاٞ
یاشت .ذ٘ا ٜذؿ ٝتفشٌ شظ٘ سد )شغل ٚ َٛع( یــو شیغتٔ ٗیت ٝغتاس ٖدشو اذیپ ٚ ؾیأصآ یاضف یحاشع
اٞ
َذٔ صا فذٞ غتاٛت ٚ حغػ
خػاپ
ٗیٙچٕٞ .تػا ٜذؿ ٜدافتػا یٙحٙٔ
ذح
ُىؿ
ٞد یاشت .تػا ٜذؿ ٝتفشٌ ساو ٝت فذٞ غتاٛت فیشؼت یاشت ی
ٝیثؿ صاػ ی ذٙیاشف دٚذحٔ اضخا ضیِا٘آ صا
یثیّك ٖادٙف هی یٚس ٜذؿ ٝئاسا ؽٚس .تػا ٜذؿ ٜدافتػا اضخا ضیِا٘آ یتٙػ ؽٚس صا شتمیلد ٚ شتشثٛٔ ؽٚس ٗیا ٚ ٜذؿ یػسشت ٜذؿ ٜذیـو ُىؿ
.تػا ٜذؿ ٜذٞاـٔ اغخ ٚ ٖٛٔصآ ٚ دٚذحٔ
ذیلک ناگشاو
ٝٙیٟت: صاػ ،ٝفذٞ ذٙچ ی
ُىؿ
ٞد َذٔ ،قسٚ ی حغػ
،هیت٘ط ٓتیسٍِٛا ،خػاپ یٙحٙٔ
ذح
ُىؿ
ٞد ی .
Multi-objective optimization of sheet metal forming die using FEA coupled with RSM
P. Kahhal1, S. Y. Ahmadi Brooghani2*, H. D. Azodi3
1- PhD. Student., Mech. Eng., Birjand Univ., Birjand, Iran 2- Assist. Prof., Mech. Eng., of Arak Univ. of Tech. Arak, Iran 3- Assist. Prof., Mech. Eng., Arak Univ. of Tech., Arak, Iran.
* P.O.B. 97175/615, Birjand, Iran. syahmadi@birjand.ac.ir
Abstract- Present study describes the approach of applying Response Surface Methodology (RSM) with a Pareto-based multi-objective genetic algorithm to assist engineers in optimization of sheet metal forming. In many studies, Finite element analysis and optimization technique have been integrated to solve the optimal process parameters of sheet metal forming by transforming multi objective problem into a single-objective problem. This paper aims to minimize the objective functions of fracture and wrinkle simultaneously. Design variables are blank-holding force and draw-bead geometry (length and Diameter). Response surface model has been used for design of experiment and finding relationships between variables and objective functions. Forming Limit Curve (FLC) has been used to define the objective functions. Finite element analysis applied for simulating the forming process. Proposed approach has been investigated on a cross-shaped cup drawing case and it has been observed that it is more effective and accurate than traditional finite element analysis methods and the „trial and error‟ procedure.
Keywords: Multi-Objective Optimization, Sheet Metal Forming, Response Surface Model, Genetic Algorithm, Forming Limit
[ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
48
سردم کیناکم يسدنهم
رذآ 9312 ، ۀرود 93 ۀرامش 1 Curve.
1 - همذقم
سد
َاػ اٞ
ی
،شیخا
ٝیثؿ صاػ ی اٞ
ی یدذػ
ٝت هی ساضتا ذٕٙتسذل
سد ؾیپ یٙیت تیّتال
ُىؿ
ٞد ی ذٙیاشف ؾـو كیٕػ
ٚ یحاشع
تاؼغل ذیذخ ات
ٝػذٙٞ
ٝػ یذؼت
ٜذیچیپ
ُیذثت
ٜذؿ تػا .
تیضٔ
َذٔ
صاػ ی اضخا دٚذحٔ
ؾٞاو1
ٝٙیضٞ
اٞ
ی ذیِٛت صا كیشع
ؾیپ یٙیت بٛیػ
ٝؼغل ذٙ٘أ
تـٌصات
،یشٙف
،یٌساپ
،یٌذیوٚشچ
،ؾ٘إو یاٞاغخ
ُىؿ
ٚ
ٗیٙچٕٞ
ٝٙیٟت صاػ ی
یاٞشتٔاساپ ذٙیاشف
، تػا .
ت یاشت ،َاح ٗیا ا تػد
یتای ٚ َٛلحٔ بٛخ تیفیو ٝت
دإتػا تیّتال یلاات
ذٙیاشف دٚذحٔ اضخا ضیِا٘آ ؽٚس ، ذیات
ٝت
تسٛك ةیوشت ات ٚ یتػد اٞ
یاٞشتٔاساپ صا یفّتخٔ ی ذٙیاشف
،
.دٛؿ ساشىت اٞسات
ٗیا شت ٜٚلاػ ٗتفشٌ شظ٘ سد ٗیػذٟٙٔ یاشت ،
هی یاشت اٞشتٔاساپ صا یدایص داذؼت
ِٝأؼٔ
ُىـٔ سایؼت ٜذیچیپ
یٔ
یٍتؼت ٚ تػا شیٌ تلٚ یؿٚس دٚذحٔ اضخا ؽٚس اشیص ،دٛؿ ؾٞاو ٝت صای٘ یاتػاس سد ٗیا شتاٙت .دساد شتساو ٝتشدت ٝت یدایص
ٝٙیضٞ ؾٞاو ،یحاشع ٖأص تفشـیپ
،تاؼغل ٖصٚ ؾٞاو ٚ ،
س هی دٛخٚ
كیلد ٚ شتشثٛٔ ؽٚ
یحاشع ظیاشؿ دٛثٟت یاشت شت
دٛخٛٔ
تػا یسٚشض .
یسایؼت صا
ٖاممحٔ
صا
ٝیثؿ صاػ ی یدذػ
ٚ ؽٚس اٞ
ی
ٝٙیٟت یتای سد
ُىؿ
ٞد ی قسٚ
ٜدافتػا
ٜدٕٛ٘
.ذ٘ا سد
ٗیا
،اتػاس
یچٛٙیوأ
[ 1 ] ات تیمفٛٔ
صا ؽٚس اضخا دٚذحٔ
یاشت ؾیپ یٙیت
بٛیػ
،یٍتخیؼٌ
یٌذیوٚشچ
ٚ تـٌصات یشٙف قسٚ
ٜدافتػا
ٜدشو تػا . اتاٞٚا
ٚ
ٖاساىٕٞ
[ 2 ] ات هی
ٝچساپ یصاػ ؽٚس
یتٚساخ
2ٜداػ
ٚ دٚذحٔ اضخا ضیِا٘آ توشح
ٝثٙػ
ٚ
ُحاشٔ
ُىؿ
ٞد ی اس
ٝٙیٟت صاػ ی ذ٘دشو ات
ٝت هی غیصٛت تٔاخض
تخاٛٙىی ذٙػشت
. [ ٖاساىٕٞ ٚ ٌٛ
3 هی ات اس عٛىؼٔ ذ٘ٚس هی ]
ؽٚس
ٝٔا٘شت یِاٛتٔ ْٚد ٝخسد یؼیٛ٘
ُىؿ ات ذ٘دشو ةیوشت3
.ذٙٙو ٝٙیٟت اس ٝیِٚا ٜدشٌ
شكا٘
ٚ
ٖاساىٕٞ
[ 4 ] صا هی
ٓتیسٍِٛا
یضایس سد ذ٘ٚس عٛىؼٔ
ٜدافتػا ذ٘دشو ات یاٞٚشی٘
دٚذحٔ
ٜذٙٙو
ٚ
ٗیاشتاٙت یحاشع ذیت یــو اس
ٝٙیٟت صاػ ی ذٙٙو .
یػاتایاو
ٚ یؼیوا [ 5 ]
ٝػ ؽٚس
٘آ ا دٚذحٔ اضخا ضیِ
، حغػ َذٔ
1. Finite Element Model 2. Sweeping Simplex Method
3. Sequential Quadratic Programming (SQP) 4خػاپ
ٚ
ٓتیسٍِٛا هیت٘ط
اس ةیوشت
ٜدشو ذ٘ا ات
ٗیشتثػاٙٔ
شیدامٔ
اس یاشت یاٞشتٔاساپ ذٙیاشف
ُىؿ
ٞد ی
ٝت تػد ذ٘سٚآ .
ٗچ
ٚ
ٖاساىٕٞ
[ 6 ] تاشثا پٌ
قسٚ
شیٌ
ٚ عٛ٘
ٖإِا
ٝتػٛپ یا اس
یٚس تیّتال
ُىؿ یشیزپ هی هٙیػ
ٛـتؼؿ یػسشت
ٜدشو ذ٘ا .
یصاصآ
ٚ
ٖاساىٕٞ
[ 7 ] هی ذ٘ٚس یحاشع هیتأٛتا صا
ْش٘
ساضفا اٞ
ی اضخا دٚذحٔ
اس
ٝؼػٛت ذ٘داد
ٚ هی
ٓتیسٍِٛا
ٝٙیٟت صاػ ی یفاـتوا 5
یمیثغت اس
یاشت یحاشع
ُىؿ
ٜدشٌ
ٝیِٚا تاؼغل یضّف ات تلد لاات سد هی ذٙیاشف
ًٙیپٕتػا فاخ
ٝئاسا ذ٘داد . [ ٖاساىٕٞ ٚ یّیّخ 8
ٚ خػاپ حغػ َذٔ ةیوشت صا ]
یاشت ٝیاپ َاىؿا ؾٞاو هیٙىت
ٝت تػد ٜدشٌ ُىؿ ٖدسٚآ
.ذ٘ا ٜدشو ٜدافتػا یشت ٜسٚد ٝت صای٘ ٖٚذت ٝٙیٟت ٝیِٚا اٞ
ً٘
ٚ
ٖاساىٕٞ
[ 9 ] صا خػاپ حغػ َذٔ
یاشت
ٝٙیٟت صاػ ی حٛغػ
ی٘ایٔ
ساضتا سد ذٙیاشف
ًٙیپٕتػا ذٙچ
ّٝحشٔ
یا قسٚ
ٜدافتػا
ٜدشو ذ٘ا ات تیفیو یشتلاات یاشت
َٛلحٔ
ییاٟ٘
ٝت تػد ذ٘سٚآ .
اتاٞٚا
ٚ
ٖاساىٕٞ
[ 10 ] صا خػاپ حغػ َذٔ
یاشت
ٝٙیٟت صاػ ی
یأد
ًٙیّی٘آ
ٚ
ٖأص
ٖذیػس
ٝت یتخاٛٙىی تٔاخض
ٝؼغل
پٕتػا
ٜذؿ
ٜدافتػا
ٜدشو ذ٘ا .
ٛٞ
ٚ
ٖاساىٕٞ
[ 11 ] هی ؽٚس
خػاپ حغػ یلاثغ٘ا
اس یاشت یحاشع
ُىؿ
ٜدشٌ
ٝیِٚا
ٚ یٚشی٘
قسٚ
شیٌ
ٝت ساو
ٜدشت ذ٘ا ات
ٝت تٔاخض قسٚ
تخاٛٙىی تػد
،ذٙتای
ٚ
ٝت حیات٘
ُتال
ٝظحلأ
یا
ٜذیػس ذ٘ا .
ةّغا
ُئاؼٔ
سد تؼیثع
،
ٗیذٙچ فذٞ
ًلاإتحا ساٌصاػا٘
یاشت
تػد یتای ذ٘ساد .
ٗىٕٔ
تػا یػشتػد
ٝت هی فذٞ
ثػات سٚد
ٖذؿ صا یفذٞ
شٍید دٛؿ . یسایؼت صا
ٗیا
ُئاؼٔ
ات
ُیذثت
یٔإت فاذٞا
ٝت هی فذٞ
ات دٛیل قخـٔ
ُح یٔ
ذ٘ٛؿ . حضاٚ
تػا
ٝو
ُىؿ
ٞد ی قسٚ
هی ؼٔ
أ
ِٝ
ذٙچ
ٝفذٞ
ات ظتاٚس ساٌصاػا٘
ٗیت غتاٛت فذٞ
یٔ
ذؿات یدایص تامیمحت ٝٙیٔص ٗیا سد ٝو
.تػا ٜذؿ ْاد٘ا
ٖٛؼ٘اخ
ٚ
ٖاساىٕٞ
[ 12 ] خػاپ حغػ َذٔ
اس
یاشت
ٝٙیٟت صاػ ی یٚشی٘
دٚذحٔ
ٜذٙٙو ذیت یــو
ٝت ساو
ٜدشت ذ٘ا
ٝو ةیوشت
ٗیا ؽٚس ات هی هیٙىت تؿاٍ٘
ییاضف
ٝت
سٛع
ُتال
ٝظحلأ
یا
ٖأذ٘اس تاثػاحٔ
اس ؾیاضفا
ٜداد تػا .
اٟ٘آ
ٗیا ؽٚس اس
ًاذؼت ات
ٜدافتػا صا خػاپ حغػ َذٔ
یساشىت دٛثٟت
ذ٘ذیـخت [
13 .]
[ ٖاساىٕٞ ٚ ً٘ٛی ه٘اٌٛ
14 َذٔ ةیوشت صا ]
4. Response Surface Model (RSM)
5. Heuristic Optimization Algorithm (HOA)
[ DOR: 20.1001.1.10275940.1392.13.9.3.1 ] [ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
ٝٙیٟت ات إٍیػ ؾؿ ُكا ٚ ٝ٘اٌٚد خػاپ حغػ یتای
ٜسر ْاحدصا
1
ذیت یحاشع ٖدشو ٝٙیٟت یاشت اٞ
ی .ذ٘دٕٛ٘ ٜدافتػا یــو
ؾٞٚظپ اٞ
ی سٛوزٔ
سد ؼٔ
أ
ِٝ
ٝٙیٟت صاػ ی ذٙچ
،ٝفذٞ
صا
ُیذثت
ِٝأؼٔ
ٝت هی
ِٝأؼٔ
هت
ٝفذٞ
دشفٙٔ
ٜدافتػا
ٜدشو
،ذ٘ا
ذٙ٘أ
ؽٚس ةیاشض ی٘صٚ
ٝو غتاٛت
ٝ٘اٌذٙچ اس
سد هی غتات
ةیوشت یٔ
ذٙو .
ُىـٔ
یّكا
ٗیا
،ؽٚس
ٗییؼت شیدامٔ
ٗیا
ةیاشض یٔ
ذؿات
ٚ حیات٘
ٝٙیٟت صاػ ی
ٝت تذؿ
ٝت
ٗیا ةیاشض
عاؼح یٔ
ذٙؿات .
ُىـٔ
شٍید
ٗیا ا تػ
ٝو شٞ
ٝتػد صا
ٗیا
ةیاشض اٟٙت
ٝت هی
ٜاس
ُح
ٝٙیٟت
ٓتخ یٔ
،ذ٘ٛؿ
ٖذیٕٟف
ٗیا
ٝو
ٜاس
ُح اذیپ
،ٜذؿ
ٝٙیٟت یؼلاٚ
،تػا
ُىـٔ
یٔ
ذؿات .
سد
ٝٙیٔص یحاشع
،یػذٟٙٔ
ًاشیخا
ٝخٛت
ٜظیٚ
یا
ٝت
ٓتیسٍِٛا
هیت٘ط ذٙچ
2ٝفذٞ
ٜذؿ تػا
ٝو صا ذٙیاشف یؼیثع یتاخت٘ا
ذیّمت یٔ
ذٙو
ٝو سد
ٖآ تالّٛخٔ
شتشت
ٓٞ
ٖأص ات ذیِٛت
ُؼ٘
خ ذ
،ذی تالّٛخٔ
بٛغشٔا٘
اس صا تیؼٕخ دٛخ
ٖٚشیت یٔ
ذٙٙو
[ 15 - 17 .]
یسایؼت صا یایاضٔ
ٓتیسٍِٛا هیت٘ط
ذٙچ
ٝفذٞ
ُتال
ٝخٛت
ذٙتؼٞ
[ 18 ]،
صا
ُیثل تیّتال ؽٚاو سد هی اضف ی یحاشع
يسضت
ٚ
ٗیا
ٝو
ٝت تاػلاعا
ٖایداشٌ
یصای٘
دساذ٘
. أا
ٗیشتٕٟٔ
اٟ٘آ
ٗیا ا تػ
ٝو
ٓتیسٍِٛا هیت٘ط ذٙچ
ٝفذٞ
یٔ
ذ٘اٛت
ٗیذٙچ
غتات فذٞ
ُمتؼٔ
اس سد هی یاشخا
ٝٙیٟت صاػ
،ی ت
ٝ سٛع
ٓٞ
ٖأص
ٚ
ٖٚذت
ُیذثت غتاٛت فذٞ
ٝ٘اٌذٙچ
ٝت هی غتات
،فذٞ
ٝٙیٟت
ذیإ٘
. شتاٙت
،ٗیا
ٓتیسٍِٛا هیت٘ط
ذٙچ
ٝفذٞ
یٔ
ذ٘اٛت یاشت
ُئاؼٔ
ٝٙیٟت صاػ ی ذٙچ
ٝفذٞ
یغخشیغ ذٙ٘أ
ُىؿ
ٞد ی قسٚ
ٝت
ساو
ٝتفشٌ
دٛؿ .
یخشت ؾٞٚظپ اٞ
ات یاشخا
ٓتیسٍِٛا هیت٘ط
ذٙچ
ٝفذٞ
ٝت
حیات٘
یتٛخ تػد
ٝتفای ذ٘ا [ 19 ]،
أا سد
ٗیا ؾٞٚظپ اٞ
ٝت یاخ
ٝػذٙٞ
ذیت یــو صا یاٞٚشی٘
ٜذ٘سادصات ذیت یٚس
ٜدافتػا
ٜذؿ
تػا
ٝو سد ةّغا ظیاشؿ
ٍـیأصآ ا یٞ
یّٕػ ی٘
تؼ .
سد
ٗیا
،ؾٞٚظپ ؾخت
ْٚد
ٝت یػسشت
َذٔ
ٝٙیٟت صاػ ی ذٙچ
ٝفذٞ
ذٞاٛخ
،تخادشپ ؾخت
ْٛػ
ٜساتسد ذ٘ٚس
ٓتیسٍِٛا هیت٘ط
ذٙچ
ٝفذٞ
،
ٚ ؾخت
ْساٟچ
ٜساتسد
َذٔ
سد شظ٘
ٝتفشٌ
ٜذؿ ثحت
یٔ
دٛؿ
ٚ ؾخت اٞ
ی
ٓدٙپ
ٚ
ٓـؿ حیات٘
دسٛٔ
ٜدافتػا اس
یػسشت
ٚ
ٜساتسد ؽٚس دسٛٔ
ٜدافتػا
ٝدیت٘
یشیٌ
ذٙٞاٛخ دشو .
1. Particle Swarm Optimization
2. Multi-Objective Genetic Algorithm (MOGA)
2 - لذم هنیهب زاس هفذه ذنچ ی
فذٞ
صا
ٗیا
ٝٙیٟت صاػ ی
ٝت تػد
ٖدسٚآ
ٗیشتٟت ةیوشت صا
شتٔاساپ اٞ
ی ذٙیاشف ای شیغتٔ
اٞ
ی یػذٙٞ
یحاشع تػا
ٝو حاشع
اس
ٝت یٛػ هی قسٚ
ُىؿ
ٜداد
ٜذؿ
ٖٚذت چیٞ
ْاذو صا بٛیػ
یٍتخیؼٌ
ٚ یٌذیوٚشچ
، یٔ تیاذٞ
ذٙو ذٙیاشف .
ٝٙیٟت صاػ ی
ُىؿ
ٞد ی قسٚ
اس یٔ
ٖاٛت
ٝت تسٛك شیص
ِٝٛٔشف دشو :
ٝٙیٕو :یصاػ
( 1 ) :دٛیل تحت
( 2 )
ٝو xi
شیغتٔ
یحاشع
،ْاi bi
lower
ٚ bi
upper
ٖاشو اٞ
ی
ٗییاپ
ٚ
یلاات xi
، fj(xi) غتات فذٞ
ْاj طٛتشٔ
ٝت xi
ٚ gk(xi) غتات ذیل
ْاk طٛتشٔ
ٝت xi
یٔ
ذٙؿات .
2 - 1 - ریغتم اه یحارط ی
سد
ُىؿ
ٞد ی
،قسٚ
یٚشی٘
قسٚ
3شیٌ
ٚ شتٔاساپ اٞ
ی یػذٙٞ
ذیت
یــو (
4شغل
ٚ
5َٛع ) یٚس تیّتال
ْشف یٞد سایؼت
ٔ ؤ
،ذ٘شث اشیص
اشیص یٚشی٘
قسٚ
شیٌ
ٚ ذیت اٞ
ی یــو یٚس
ٖآ ثػات غیصٛت ساـف
تخاٛٙىی
ٚ دٚذحٔ
ٖدشو
ٖایشخ قسٚ
ٝت
ُخاد ةِال یٔ
ذ٘ٛؿ .
سد
ٗیا ؾٞٚظپ یٚشی٘
قسٚ
شیٌ
ٚ شتٔاساپ اٞ
ی یػذٙٞ
ذیت
یــو ( شغل
ٚ
َٛع )
ٝت
ٖاٛٙػ شیغتٔ
اٞ
ی یحاشع
ٚ
ٝٙیٟت صاػ ی
سد شظ٘
ٝتفشٌ
ٜذؿ ذ٘ا .
2 - 2 - فذه عباوت
ٝت سٛظٙٔ
یشیٌّٛخ صا
عٛلٚ
بٛیػ
ُىؿ
ٞد
،ی یاشت
ٗیا بٛیػ
سد
ُىؿ
ٞد ی قسٚ
ذیات سایؼٔ
اٞ
یی فیشؼت دشو . سد
ٗیا ؾٞٚظپ
یاشت فیشؼت
ٗیا سایؼٔ
اٞ
صا شیدامٔ
ؾ٘شو اٞ
ی
ٝت تػد
ٜذٔآ
ٖإِا اٞ
سد ضیِا٘آ اضخا دٚذحٔ
ٜدافتػا
ٜذؿ تػا
ٝو سد
ٝٔادا
حیضٛت
ٜداد
ٜذؿ ذ٘ا .
2 - 1 - 1 - یگتخیسگ
6
3. Blank Holder Force (BHF) 4. Drawing Bead Diameter (DBD) 5. Drawing Bead Length (DBL) 6. Fracture
1 2
( ) 0 1 2
lower upper
i i i
k i
b x b , i = , ,…,n g x ,k = , ,…, p
( ) ( ( ) ( ) ( ))
1 1 2 2
1 2
F X = f x ,f x ,…,f x , j i j = , ,…, m
[ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
50
سردم کیناکم يسدنهم
رذآ 9312 ، ۀرود 93 ۀرامش 1
یٔاٍٙٞ
ٝو ؾ٘شو اٞ
ی ـیت ی
ٝٙ
یخشت
ٖإِا اٞ
سد یلاات یٙحٙٔ
ذح
ُىؿ
ٞد ی ( ψ(ε2) ظخ ) ساشل یٔ
،ذ٘شیٌ
سد
ٗیا
ٝمغٙٔ
صا
ٝؼغل یٍتخیؼٌ
یٚس ذٞاٛخ داد
ٚ
ّٝكاف شتـیت ات
ٗیا
،یٙحٙٔ
ُیإت شتـیت
ٝت یٍتخیؼٌ
اس ٘ ـ
ٖا یٔ
ذٞد (
ُىؿ 1 .) سد
ٗیا
،ؾٞٚظپ عٕٛدٔ
غتشٔ
ّٝكاف
ْإت
ٖإِا اٞ
ٝت
ٖاٛٙػ غتات
یٍتخیؼٌ
سد شظ٘
ٝتفشٌ
ٜذؿ تػا :
( 3 )
( )2 1
( ( ) )2 ( )
1 1 1 1 2
0 ( )
1 2
n di
i f
i i i i
Obj n ε - φ ε φ ε
f i
i i
ε φ ε
سد
ٗیا ؾٞٚظپ یٙحٙٔ
ذح
ُىؿ
ٞد
1ی ؾـو ؾیأصآ ظػٛت
ٜذٔآ تػد ٝت قسٚ یٚس )یٚشو ٓی٘ ٝثٙػ( ٝحفك صا جساخ .تػا
2 - 1 - 2 - یگذیکورچ
2
ت
ٝ سٛع
،ٝتاـٔ
یٔاٍٙٞ
ٝو ؾ٘شو اٞ
ی
ٝٙیـیت شیص یٙحٙٔ
ذح
یٌذیوٚشچ ساشل
ذ٘شیٌ
( ظخ ψ(ε2( )،
ٗىٕٔ
تػا یٌذیوٚشچ
سد
ٗیا
ٝمغٙٔ
صا
ٝؼغل قافتا ذتفا شٞ
ٝچ
ّٝكاف شتـیت دٛؿ
ُیٔ
ٝت یٌذیوٚشچ ؾیاضفا
یٔ
ُىؿ( ذتای 1
) .
،ٗیاشتاٙت سایؼٔ
یٌذیوٚشچ
ٝت تسٛك
ّٝكاف ؾ٘شو یّكا شٞ
ٖإِا ات یٙحٙٔ
ذح یٌذیوٚشچ فیشؼت
ٜذؿ تػا . یاشت فیشؼت غتات فذٞ
یٌذیوٚشچ عٕٛدٔ
تاؼتشٔ
ٗیا
ُكاٛف
ٝت تسٛك
ِٝداؼٔ
( 4 )
1. Forming Limit Curve (FLC) 2. Wrinkle
ٝثػاحٔ
ٜذؿ تػا :
( 4 )
3 - متیروگلا هنیهب
زاس هفذه ذنچ ی
ُىؿ
ٞد ی قسٚ
هی
ِٝأؼٔ
ذٙچ
ٝفذٞ
تػا . سد
ٗیا
،دساٛٔ
ٝٙیٕو ای
ٝٙیـیت
ٖدشو
ٓٞ
ٖأص یٔإت غتاٛت فذٞ
یٔاٍٙٞ
ٝو
ٗیا غتاٛت سد هی
ٝغتاس ساٌصاػا٘
،ذٙتؼٞ
ُىـٔ
تػا . سد
ٗیا
،ؾٞٚظپ
َذٔ
خػاپ حغػ یاشت یحاشع ؾیأصآ
ٜدافتػا3
ٜذؿ
تػا
ٚ
ٗیٙچٕٞ
ٓتیسٍِٛا هیت٘ط
ٚ4
ٟٝثخ
ٛتساپ یاشت5
ْاد٘ا
ٝٙیٟت صاػ ی ةیوشت
ٜذؿ ذ٘ا .
سد
ٓتیسٍِٛا هیت٘ط
یِٕٛؼٔ
هی تیؼٕخ یفدالت صا
ٖط اٞ
( داشفا ) سد یاضف تِاح غیصٛت
ٜذؿ
ٚ حیات٘
یٍتؼیاؿ
٘آ6
اٟ
یتایصسا یٔ
دٛؿ . غپػ
ٗیشتٟت اٞ
یلات یٔ
ذٙ٘أ
( باخت٘ا
یٔ
ذ٘ٛؿ )
ٚ هی تیؼٕخ ذیذخ
ذیِٛت یٔ
دٛؿ ( شیثىت )،
ات
ةیوشت شٍّٕػ اٞ
ی
7ؾٟخ
ٚ غعامت
ٝتػد8
یذیذخ صا
ٗىٕٔ
اٞ
ٗىٕٔ
اٞ
( تاشییغت )
ٝت تػد یٔ
ذٙیآ . ات
ْاد٘ا شیثىت اٞ
ی
،دذؼتٔ
تیؼٕخ یاضف تِاح اس
ٛدتؼخ ذٞاٛخ دشو
ٚ یدٛؼك تسٛك ٝت
ٝت تٕػ
ٗیشتٟت
ٜاس
ُح
ٝو
ٝٙیٟت یّو یٔ
ذؿات
، اشٍٕٞ
ذٞاٛخ
ذؿ .
سد
ٓتیسٍِٛا هیت٘ط
ذٙچ
ٝفذٞ
ًاثیشمت
ٗیٕٞ
ساو
ْاد٘ا
یٔ
،دٛؿ
ٝت ضخ
ٗیا
ٝو سد ادٙیا ؽلات سد تٟخ
ٝٙیٟت
ٖدشو
اٟٙت هی شتٔاساپ یٍتؼیاؿ یٕ٘
،ذؿات
ٝىّت یداذؼت صا
ٗیا
شتٔاساپ اٞ
ٝٙیٟت یٔ
ذ٘ٛؿ . یاشت تػد یتای
ٝت
ٗیا سٛظٙٔ
ذیات هی
ٝتػد فاذٞا هی فیشؼت یٍتؼیاؿ
ٝئاسا دٛؿ ات
ٖاٛتت
ٜاس
ُح اٞ
اس ات
ٓٞ
ٝؼیامٔ
دشو . یاشت
ٗیا
،سٛظٙٔ
صا
ٜاس
ُح
ٝٙیٟت
ٛتساپ
ٜدافتػا
ٜذؿ تػا .
یاشت هی
ِٝأؼٔ
ٝٙیٕو
،یصاػ باٛخ یّٕػ هیx*
ٜاس
ُح
ٝٙیٟت
ٛتساپ تػا شٌا
ٚ اٟٙت شٌا چیٞ
ٌٝ٘ٛ
ٜاس
ُح یّٕػ x
یشٍید
ٝت تسٛك ( ٝغتاس 5 ) دٛخٚ
ٝتؿاذ٘
ذؿات .
3. Design of Experiment (DOE) 4. Genetic Algorithm (GA) 5. Pareto Front
6. Fitness 7. Mutation 8. Crossover
2) 1 ( 0
1 )
( 2 1 ))2 ( 2 (1 1( )2
εi i ψ ε in εi-ψ i εi ψ εi ni i
dw
Objw
ٝٙیٕو ؾ٘شو
ٝٙیـیت ؾ٘شو
لکش 1 [ فذٞ غتاٛت فیشؼت هیتإؿ 19
]
[ DOR: 20.1001.1.10275940.1392.13.9.3.1 ] [ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
( 5 ) ,…,n , i=
x* fi i x
f ( ) ( ) 12
هی ُلاذح ٚ ( ،j
1≤j≤n ) ِٝداؼٔ سد (
6 ) ذٙو قذك .
( 6 )
* i x f j x
f ( ) ( )
یاشت
،َاثٔ
سد
ُىؿ 2 طام٘
ٜشیاد یا شٍـیإ٘
ٜاس
ُح اٞ
ی
یّٕػ ذٙتؼٞ
ٚ شیدامٔ
شتىچٛو
ٝت شیدامٔ
شتٌسضت حخسا ذٙتؼٞ
.
لکش 2 [ ٛتساپ ٟٝثخ 17
]
ٝغم٘
هیC
ٜاس
ُح
ٛتساپ
،تؼی٘
اشیص
ٝغم٘
شتB
ٖآ
ٜشیچ
ٜذؿ
( تػا f1(B) < f1(C) ٚ
(f2(B) < f2(C) .
ٚد
ٝغم٘
ٚA یٕ٘B -
ذٙ٘اٛت شت شٍیذىی
ٜشیچ ذ٘ٛؿ ( f1(A) < f1(B) یِٚ
(f2(A) >
f2(B)
،
ٚ
ٗیاشتاٙت سد
ٟٝثخ
ٛتساپ ساشل یٔ
.ذ٘شیٌ
3 - 1 - هنیهب ذنور یزاس
ذ٘ٚس
ِٝأؼٔ
ٝٙیٟت یصاػ
ٓتیسٍِٛا هیت٘ط
ذٙچ
ٝفذٞ
اس یٔ
ٖاٛت
ٝت تسٛك شیص حشؿ داد :
ْاٌ
1 : ا٘
باخت هی یظتاشتػا
،ُیذثت تیؼٕخ
،ٝیِٚا ساشل اد د
ٖ
، i=0
ٚ
ٗییؼت اٞشتٔاساپ .
ْاٌ
2 : ةیوشت تیؼٕخ شضاح ات تیؼٕخ ذِاٚ
ٚ
ٝثتس یذٙت
تیؼٕخ ةیوشت
ٜذؿ
ْاٌ
3 :
ٝت صٚس ی٘اػس
ٟٝثخ
ٛتساپ
ْاٌ
4 :
ٝثػاحٔ
شیدامٔ
یٍتؼیاؿ شت
كثع حیات٘
ٝثتس یذٙت .
ْاٌ
5 : قخـٔ
ٖدٕٛ٘
ْإتا ساو شت عاػا سایؼٔ
.فلٛت
3 - 2 - لذم حطس خساپ
ؽٚس اٞ
ی حغػ خػاپ سد یؼلاٛٔ
ٝت ساو
ٝتفشٌ
یٔ
ذ٘ٛؿ
ٝو
ٓیٕلت
ٜذ٘شیٌ
یٔ
ذٞاٛخ : 1 - ؾیپ یٙیت
ًاثیشمت كیلد صا
ٝغتاس
یدٚسٚ
ٚ یخٚشخ هی
ٓتؼیػ یػذٟٙٔ
ٝت تػد دسٚآ
ٚ 2 -
ُو
ٓتؼیػ سد
َاح یحاشع اس
ٝٙیٟت ای
ٓیظٙت ذٙو . سد یسایؼت صا
دشتساو اٞ
ی خػاپ حغػ
،
ٝچ یغخ
ٚ
ٝچ
ٝخسد
ٚد مشف
ٗیا
ا تػ
ٝو شیدامٔ
خػاپ
ٜذٞاـٔ
ٜذؿ
ًامیلد
َذٔ
یٔ
ذ٘ٛؿ .
ٝچشٌا
ٗیا مشف یاشت یإت تِاح اٞ
تػسد ذٞاٛخ٘
،دٛت یِٚ
ؽٚس
خػاپ حغػ سد
تسٛك
ٜدافتػا صا ذٙچ
ّٕٝخ یا اٞ
ی
ٝخسد
ٝػ
ٚ
شتلاات
ٚ دٛخٚ
ٗیذٙچ شیغتٔ
ٝت یؿٚس تٕیم٘اشٌ
ُیذثت ذٞاٛخ
ذؿ .
ٝت
ٜٚلاػ
َذٔ
اٞ
ی ذٙچ
ّٕٝخ یا
ٝخسد
ٝػ ای شتلاات
ٗىٕٔ
تػا
ُٔاؿ هی ای ذٙچ
ٝغم٘
فغػ ذٙؿات . سد
ٝٙیٟت صاػ ی اٞ
ی
یدذػ شت یاٙثٔ
،ٖایداشٌ
ٗىٕٔ
تػا
ِٝأؼٔ
ٝت یاخ اشٍٕٞ
ٖذؿ
ٝت هی
ٝٙیٟت یّحٔ
ای
،یّو
ٝت
ٝغم٘
فغػ اشٍٕٞ
دٛؿ .
داذؼت شٌا ns
ُیّحت
ْاد٘ا
ٜذؿ ذؿات
ٚ p = 1,2,…,ns
،
ٜاٍ٘آ هی
َذٔ
خػاپ حغػ
ٝخسد
ٚد
ٝت
ْشف شیص ذٞاٛخ دٛت :
ٝو
،خػاپ y(p) X(p)j
ٚ X(p)k
شیغتٔ
اٞ
ی یحاشع
ٜسإؿ nv
ٚ
co
، cj
ٚ c(nv−1+j+k)
ةیاشض
َٟٛدٔ
ذٙچ
ّٕٝخ یا یٔ
ذٙؿات .
ٗتخاػ
ٗیا
َذٔ
اٞ
ی
ٗیـ٘اخ صای٘
ٝت ذٙچ
ٕٝ٘ٛ٘
یاشت
یذٙتساتخاػ حغػ
خػاپ
ٝت طٛتشٔ
ذٙیاشف ؾـو دساد
،
ٚ
ٗیا
ٕٝ٘ٛ٘
اٞ
یٔ
ذٙ٘اٛت ظػٛت ؽٚس اٞ
ی یحاشع
،ؾیأصآ صا
ُیثل
ُحاشٔ
اٞ
1ٖٛتِ
،
ٗیتلا ةؼىٔ اشف ،2
ؽٚس یچٌٛات
ٚ3
یحاشع
هیػلاو
،4
ذیِٛت ذ٘ٛؿ . ؽٚس یحاشع ؾیأصآ هی
ساضتا
ذٕٙتسذل سد
یحاشع
ٚ
ُیّحت
ُئاؼٔ
یحاشع یتؼٙك
ٜذیچیپ
یٔ
ذؿات
ٚ یٔ
ذ٘اٛت
ٝت نسد
ٝلخـٔ
اٞ
ی ذٙیاشف
ٚ یػسشت شثا
یدٚسٚ
اٞ
یٚس خػاپ یخٚشخ هٕو ذٙو .
ٝت
،ٜٚلاػ یٔ
ذ٘اٛت
ٝت
تسٛك هیتإتؼیػ یاٞشتٔاساپ
ٝٙیٟت ذٙیاشف اس ات داذؼت
تؼت اٞ
ی
،شتٕو
ٗییؼت ذیإ٘
.
سد
ٗیا ؾٞٚظپ صا هی یحاشع هیػلاو
ْاٙت ُیسٛتواف
5ُٔاو یاشت یحاشع ؾیأصآ
ٜدافتػا
ٜذؿ
ٚ هی
َذٔ
ٝخسد
ٚد
ٚد یاشت
ٗتخاػ
َذٔ
خػاپ حغػ
ٝت ساو
ٝتفس تػا .
1. Halton Sequence
2. Latin Hypercube Design (LHD) 3. Taguchi Method
4. Classic Design 5. Full Factorial
( ) ( )
( ) ( )
1
( 1 )
1
p p
o j j
p p
j k
j nv n - + j +kv j k nv
y = c + c x
+ c x X
(7) f1(x)f2(x)
ٛتساپ ٟٝثخ
[ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
52
سردم کیناکم يسدنهم
رذآ 9312 ، ۀرود 93 ۀرامش 1
4 - هعلاطم دروم
4 - 1 - دوذحم اسجا لذم
سد یاتػاس دٛثٟت تیّتال دإتػا ذٙیاشف
ٝٙیٟت صاػ
،ی صا
ُیّحت
ا خ اض دٚذحٔ
یىیٔاٙید حیشك
یاشت
ٝیثؿ صاػ ی ذٙیاشف
ُىؿ
ٞد ی
قسٚ
ٜدافتػا
ٜذؿ تػا . سد
ٝیثؿ صاػ ی اضخا
،دٚذحٔ
تػشػ
ساضتا یّیخ شتـیت صا تػشػ یؼلاٚ
سد شظ٘
ٝتفشٌ
ٜذؿ
ٝو ثػات
تاشثا یىیٔاٙید
ٚس ی قسٚ
یٔ
دٛؿ . یاشت
ٝثّغ شت
ٗیا تاشثا
،یىیٔاٙید
ْشخ قسٚ
ؾٞاو
ٜداد
ٜذؿ تػا .
سد
ٗیا ؾٞٚظپ هی
ٖادٙف یثیّك
ُىؿ
ٝت
ٖاٛٙػ دسٛٔ
ٝؼِاغٔ
باخت٘ا
ٜذؿ تػا
ٚ
َذٔ
دٚذحٔ اضخا
ٖآ سد
ُىؿ 3
ٖاـ٘
ٜداد
ٜذؿ تػا .
ٜدأ
باخت٘ا
ٜذؿ یاشت قسٚ
دلاٛف St14
یٔ
ذؿات . تایكٛلخ
ٜدأ
قسٚ
سد
َٚذخ 1
ٜدسٚآ
ٜذؿ ذ٘ا .
هت ؾـو ٖٛٔصآ ظػٛت قسٚ ٜدأ یتخػساو ٚ تایكٛلخ یسٛحٔ
ٝت تػد ؾٙت سادٕٛ٘ ٝو تػا ٜذٔآ -
یمیمح ؾ٘شو
ٝت
تػد ُىؿ سد ٜذٔآ 4
.تػا ٜذؿ ٜداد ٖاـ٘
لکش 3
ُىؿ یثیّك ٖادٙف دٚذحٔ اضخا َذٔ
لوذج 1 دلاٛف یىی٘اىٔ تایكٛلخ St14
ً٘ای َٚذٔ
(GPa) 200
ٖٛػآٛپ ةیشض 3
/ 0
ٓیّؼت ْاىحتػا (MPa)
185
ییاٟ٘ ْاىحتػا (MPa)
327 ؾ٘شو
لکش 4 ؾٙت سادٕٛ٘
- دلاٛف یمیمح ؾ٘شو St14
ذح سادٕٛ٘
ُىؿ
ٞد ی یٍتخیؼٌ یاشت ؾیأصآ ظػٛت
ؾـو
)یٚشو ٓی٘ ٝثٙػ( ٝحفك صا جساخ قسٚ یٚس
تػا ٜذٔآ تػد ٝت
[ 20
، 21 ] ٝو هیتإؿ ٕٝ٘ٛ٘ ٚ
ةِال ٜذؿ ٝتخاػ ُىؿ سد
5
ٜذؿ ٜداد ٖاـ٘
ذ٘ا . یاشت تٚافتٔ ؾ٘شو یاٞشیؼٔ دادیا صا
تـٞ
ٕٝ٘ٛ٘
قسٚ
ٝػذٙٞ ات اٞ
فّتخٔ ی
ٜدافتػا
ٜذؿ تػا
ٝو
ات
ٜدافتػا صا شٟٔ
یٙیتلاط شیاٚد ات شغل یخساخ 5 یّیٔ
شتٔ
ٚ
شغل یّخاد 4 یّیٔ
شتٔ
یٚس قسٚ
ؽٛمٙٔ
ٜذؿ ذ٘ا . غپ صا
ؾـو
ٚ
ٝیِٚا یٌساپ
ٕٝ٘ٛ٘
اٞ
صا یٚس شیاٚد شییغت
ُىؿ
ٜداد
،ٜذؿ ّٝكاف ات 5
/ 1 صا ٝیِٚا ٜشیاد شغل شتاشت
،یٌساپ ٝمغٙٔ
ؾ٘شو اٞ
ی یــو
ٚ یساـف
ٜصاذ٘ا یشیٌ
ٜذؿ ذ٘ا ات سادٕٛ٘
ذح
ُىؿ
ٞد ی یٍتخیؼٌ یاشت
ٝت تػد ذیآ .
ٖإِا
ٝتػٛپ یا یٞشٌ ساٟچ
ٝ٘اد ات1 2یذٙت 4 یّیٔ
یاشت شتٔ
ٝیثؿ یصاػ ذٙیاشف
ُىؿ یٞد
ٝت قسٚ
ساو
ٝتفشٌ
ٜذؿ ٚ تػا
ٖإِا داذؼت ؾٔ سد اٞ
5795 یٔ
ذؿات . ساضتا اٞ
ٝت تسٛك ةّك
ٚ
ٖٚذت چیٞ
ٌٝ٘ٛ
شییغت
ُىؿ یىیتػلاا سد
شظ٘
ٝتفشٌ
ٜذؿ ٚ ذ٘ا
ٝتػٛپ ٖإِا ات یٞشٌ ساٟچ یاٞ
ؾٔ3
ذ٘ا ٜذؿ یذٙت .
ساضتا سد اٞ
ؾٔ شتضیس اٙح٘ا یاساد كعاٙٔ
ٜذؿ یذٙت .ذ٘ا
1. S4R Quad-Dominated 2. Seeds
3. R3D4
ٝثٙػ
غیشتأ
سٚ
شیٍل
قسٚ
ؾٙت (MPa)
[ DOR: 20.1001.1.10275940.1392.13.9.3.1 ] [ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
لکش 5 هیتإؿ
ٚ
ٕٝ٘ٛ٘
ؾیأصآ ةِال ؾـو
جساخ صا
ٝحفك
قسٚ
شیٌ
ات تػشػ 6m/s
صا لاات
ٝت تٕػ غیشتأ
توشح
ٜدشو
ٚ فلٛتٔ
یٔ
،دٛؿ غپػ
ٝثٙػ ات تػشػ 9m/s
ٝت تٕػ
ٗییاپ
توشح یٔ
ذٙو .
یاشت
َذٔ
حغػ ٝت حغػ تِاح ،عإت یصاػ ٜذؿ باخت٘ا1
ٝثٙػ عإت سد ناىغكا ةیشض .تػا قسٚ –
15 / 0 سد ٚ
غیشتأ عإت -
قسٚ ٗیٙچٕٞ ٚ قسٚ
شیٌ
- قسٚ
10 / 0 شظ٘ سد
.تػا ٜذؿ ٝتفشٌ
ٖسامت تّػ ٝت
ٝؼغل ٖآ ْساٟچ هی ،
َذٔ
صاػ .تػا ٜذؿ ی
ٝیثؿ صاػ
ْش٘ صا ٜدافتػا ات ی ساضفا
عٛواتآ .تػا ٜذؿ ْاد٘ا2
4 - 2 - لذم هنیهب زاس ی
یاشت
ٝٙیٟت صاػ ی
ُىؿ یشیزپ ذٙیاشف
ُىؿ
ٞد ی
،قسٚ
یٚشی٘
قسٚ
شیٌ
ٚ شتٔاساپ اٞ
ی یػذٙٞ
ذیت اٞ
ی یــو ( شغل
ٚ
َٛع )
ٝت
ٖاٛٙػ شیغتٔ
اٞ
ی یحاشع سد شظ٘
ٝتفشٌ
ٜذؿ ذ٘ا
ٚ سد
ُىؿ 6
ٖاـ٘
ٜداد
ٜذؿ ذ٘ا . شیغتٔ ٜدٚذحٔ
اٞ
ظتاٚس ٝت ٝخٛت ات یحاشع ی
یثیشمت تایتشدت ٚ
ٜذؿ ٝتفشٌ شظ٘ سد تؼٙك سد دٛخٛٔ
.ذ٘ا
ِٝأؼٔ
ٝٙیٟت یصاػ اس یٔ
ٖاٛت
ٝت تسٛك
َذٔ
شیغ یغخ شیص
فیكٛت دشو :
یصاػ ٝٙیٕو :
( ) ( )
F x = Obj , Obj
w f )8(
1. Surface to Surface Contact 2. ABAQUS/CAE
:دٛیل تحت
30 100 (kN)
50 80 (mm)
15 40(mm)
BHF
DBL
DBD
(9)
4 - 3 - ذنور هنیهب زاس ی
ُىؿ 7
ْاشٌاید ذ٘ٚس
ٝٙیٟت صاػ ی اس
ٖاـ٘
یٔ
ذٞد
ٝو
ٝت حٙپ
ْاٌ
ٓیؼمت یٔ
دٛؿ :
ْاٌ
1 -
َذٔ
ٝیِٚا :
َذٔ
اضخا دٚذحٔ
ٚ
َذٔ
ٝٙیٟت صاػ ی
ٝیِٚا
یاشت ظیاشؿ
ٝیِٚا
ٜاس یصاذ٘ا
ٜذؿ
ٚ یاٞشتٔاساپ شیص
یاشت
َذٔ
ٝٙیٟت صاػ ی
ٓتیسٍِٛا هیت٘ط ذٙچ
ٝفذٞ
سد شظ٘
ٝتفشٌ
یٔ
ذ٘ٛؿ :
( 1 )
ٜصاذ٘ا تیؼٕخ P =453
،
( 2 )
َإتحا غعامت Pc = 0.84
،
( 3 )
َإتحا
5ؾٟخ Pm = 0.35
،
( 4 ) شؼو تشخأٟ
Pg = 0.26
،
( 5 ) شؼو تیؼٕخ
ٟٝثخ
ٛتساپ Pp = 0.357
،
( 6 ) طشؿ
ْإتا
ُؼ٘ ذیِٛت T = 6008
.
3. Population Size 4. Crossover Probability 5. Mutation Probability 6. Migration Fraction
7. Pareto Front Population Fraction 8. Termination Generation
لکش 6 یــو یاٞذیت یػذٙٞ یاٞشتٔاساپ
[ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
54
سردم کیناکم يسدنهم
رذآ 9312 ، ۀرود 93 ۀرامش 1
لکش 7 یصاػ ٝٙیٟت ذ٘ٚس ْاشٌاید
ْش٘ صا ؾٞٚظپ ٗیا سد تٔ ساضفا
1ةِ
ٓتیسٍِٛا ْاد٘ا یاشت هیت٘ط
ذٙچ .تػا ٜذؿ ٜدافتػا ٝفذٞ
ْاٌ
2 - ؾیأصآ یحاشع :
یاشت
ٗتخاػ
َذٔ
خػاپ حغػ
ٝخسد
،ْٚد شٞ
ْاذو صا ؾٙیچ اٞ
ی شیغتٔ
اٞ
ی یحاشع سد ضیِا٘آ
اضخا دٚذحٔ
اشخا
ٜذؿ
ٚ غتاٛت فذٞ
یاشت شٞ
ٝغم٘
صا غیشتأ
ؾیأصآ یحاشع
ٝت تػد یٔ
ذٙیآ . غیشتأ
ؾیأصآ یحاشع
ٚ
حیات٘
ضیِا٘آ اضخا دٚذحٔ
سد
َٚذخ 2
ٖاـ٘
ٜداد
ٜذؿ ذ٘ا .
ْاٌ
3 -
ٗتخاػ
َذٔ
حغػ خػاپ : شت عاػا
ٝغتاس ( 7 )،
غتاٛت
حغػ خػاپ ات
ٜدافتػا صا ؾیأصآ یحاشع
ٝت تسٛك شیص ٝت
ذ٘ا ٜذٔآ تػد :
1. MATLAB
( 10 )
( 11 )
ْش٘ صا ؾٞٚظپ ٗیا سد ساضفا
تٔ
ةِ
حغػ َذٔ ٗتخاػ یاشت
.تػا ٜذؿ ٜدافتػا خػاپ
ْاٌ
4 - یاشخا
ٓتیسٍِٛا هیت٘ط ذٙچ
ٝفذٞ
: یٔاٍٙٞ
ٝو
َذٔ
حغػ خػاپ
ٝتخاػ
،ذؿ هیٙىت
ٝٙیٟت
ٓتیسٍِٛا یصاػ هیت٘ط
ذٙچ
ٝفذٞ
اس یٔ
ٖاٛت یاشت یٛدتؼخ
ٜاس
ُح
ٝٙیٟت
ٛتساپ
ٜدافتػا دشو .
سد ذ٘ٚس
ٝٙیٟت یصاػ یصای٘
ٝت یاشخا ضیِا٘آ اضخا دٚذحٔ
،تؼی٘
أا
صا
َذٔ
حغػ خػاپ یاشت یٙیضٍیاخ تاثػاحٔ
ی٘لاٛع یاشت
یتایصسا شیدامٔ
غتاٛت
،فذٞ
ٜدافتػا یٔ
دٛؿ .
ْاٌ
5 - یػسشت ظیاشؿ
ٖایاپ : شٌا داذؼت ذیِٛت
ُؼ٘
اٞ
ٝت ذح
دسٛٔ
شظ٘
،ذػشت ذ٘ٚس
ٝٙیٟت یصاػ فلٛتٔ
یٔ
یاٞشتٔاساپ ٚ دٛؿ
ٖذیػس ٚ یػسشت تسٛك سد .ذ٘شیٌ یٔ ساشل یػسشت دسٛٔ ٝٙیٟت
ٝٙیٟت ذٙیاشف ٜاٛخِد حیات٘ ٝت یٔ ٖایاپ یصاػ
سد ،ذتای شیغ
ٗیا
تسٛك ضیِا٘آ
ٕٝ٘ٛ٘ ٝت ذیذخ یاٞ
ٚ ٜذؿ ٝفاضا یّثل یاٞ
ٝت ٓتیسٍِٛا
ْاٌ
ْٛػ شت یٔ
ددشٌ
.
لوذج 2 یحاشع غیشتأ
دٚذحٔ اضخا ضیِا٘آ حیات٘ ٚ ؾیأصآ غتات
یٍتخیؼٌ
غتات یٌذیوٚشچ
ذیت َٛع (mm)
ذیت شغل (mm)
قسٚ یٚشی٘
شیٌ
(KN) فیدس
0 5/630645 50 15 30 1
390317 /
0 6/090027 50 15 65 2
240093 /
2 4/782745 50 15 100 3
0 5/033991 65 15 30 4
036136 /
0 6/372426 65 15 65 5
411128 /
2 5/352629 65 15 100 6
0 4/66801 80 15 30 7
001784 /
0 6/264929 80 15 65 8
165651 /
2 5/893093 80 15 100 9
0 5/850359 50 27/5 30 10
0 6/14007 50 27/5 65 11
045055 /
0 6/169464 50 27/5 100 12
0 6/287803 65 27/5 30 13
0 6/1301 65 27/5 65 14
شیخ
یّت ؾیأصآ یحاشع
عٚشؿ
خػاپ حغػ َذٔ یاشخا
ٝفذٞ ذٙچ هیت٘ط ٓتیسٍِٛا یاشخا ی٘اػس صٚس ٝت
شیغتٔ
یاٞ
یحاشع
ٝٙیٟت یحاشع
ٖایاپ
دٚذحٔ اضخا یصاػ ٝیثؿ
دٚذحٔ اضخا َذٔ یصاذ٘ا ٜاس یصاػ ٝٙیٟت ٚ
ٖایاپ تایّٕػ
؟ذتای
25425 0025425
0
00020577 0
10 2534 1
0012984 0
10
9212 1 00027245
0 10101
0
00046556 0
012428 0
0707 1
2 2 5 5
2
DBD .
DBD DBL
. DBL .
DBD
BHF .
DBL BHF
. BHF .
DBD .
DBL .
BHF .
. Objf
2
5
2 2
0017542 0
10 837 8
00011581 0
00035499 0
00015868 0
00023173 0
14154 0
021877 0
029187 0
613 3
DBD
. DBD DBL .
DBL .
DBD BHF
. DBL BHF .
BHF .
DBD .
DBL .
BHF .
. Objw
[ DOR: 20.1001.1.10275940.1392.13.9.3.1 ] [ Downloaded from mme.modares.ac.ir on 2022-10-31 ]
