دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Predicting the Response of an Engineering System by Developing a Data-Driven Surrogate Model Based on Artificial Neural Networks as an Alternative to Finite Element Analysis پیش‌بینی پاسخ یک سیستم مهندسی با توسعه‌ی یک مدل جانشین داده‌محور مبتنی بر شبکه‌ عصبی مصنوعی به‌عنوان جایگزین تحلیل اجزای محدود 303 341 734067 10.22034/sep.2026.2082317.1452 FA مسعود ولی‌دوست کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه ایوان‌کی، ایوان‌کی، ایران 0009-0002-4247-9614 توحید میرزابابای مستوفی استادیار ، گروه مهندسی مکانیک، دانشگاه ایوان‌کی، ایوان‌‎کی، ایران 0000-0002-0460-8799 محمد وهاب موسوی نویسنده مسئول: استادیار، گروه مهندسی مکانیک، دانشگاه جامع امام حسین(ع)، تهران، ایران 0000-0001-8871-0311 هاشم بابایی استاد، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران 0000-0002-4001-1279 Journal Article 2025 12 20 This study introduces a data‑driven surrogate model based on the Group Method of Data Handling (GMDH) approach, which utilizes artificial neural networks to replace computationally intensive engineering methods such as Finite Element Analysis (FEA), thereby enhancing simulation system efficiency. The approach was developed by focusing on the nonlinear relationships between dimensionless input parameters—including system characteristics (geometry and material properties), operational conditions (impact energy and strain rate)—and the primary output, namely the permanent deformation‑to‑thickness ratio of the sheet. An experimental dataset comprising 65 data points was compiled from actual tests employing hydrodynamic processes to apply loading. The GMDH network, with a 12‑layer architecture and 120 parameters, was trained after data standardization and splitting into training (67%) and test (33%) sets. Its performance was evaluated using metrics such as RMSE (0.884), MAE (0.711), MAPE (6.673%), R² (0.989), and the Willmott index (0.997), which demonstrate high accuracy, absence of overfitting, and a significant reduction in computational time (to seconds versus hours for FEA), thereby improving efficiency in industrial system management. Intrinsic sensitivity analysis, local sensitivity analysis (based on elasticity and partial derivatives), and uncertainty analysis with a confidence band of 0.2167 ranked the importance of input parameters and highlighted the dominant role of operational factors in system optimization. The research innovations include the integration of laboratory data for holistic real‑system modeling, provision of input‑output mapping, and reduction of simulation costs, making the model suitable for industrial applications in manufacturing process optimization and productivity enhancement in automotive industries, and taking a step toward AI‑driven design in systems engineering. این تحقیق، یک مدل جانشین داده‌محور مبتنی بر روش گروهی پردازش داده‌ها (GMDH) را معرفی می‌کند که از شبکه‌های عصبی مصنوعی برای جایگزینی روش‌های محاسباتی سنگین مهندسی مانند تحلیل اجزای محدود (FEA) بهره می‌برد و بهره‌وری سیستم‌های شبیه‌سازی را افزایش می‌دهد. این رویکرد با تمرکز بر روابط غیرخطی بین پارامترهای ورودی بی‌بعد شامل ویژگی‌های سیستم (هندسه و خواص مواد)، شرایط عملیاتی (انرژی ضربه و نرخ کرنش)، و خروجی اصلی یعنی نسبت تغییرشکل دائمی به ضخامت ورق توسعه یافته است. مجموعه داده‌های تجربی شامل ۶۵ نقطه از آزمایش‌های واقعی تهیه شد که از فرآیندهای هیدرودینامیکی برای اعمال بارگذاری استفاده می‌کند. شبکه GMDH با معماری ۱۲ لایه و ۱۲۰ پارامتر، پس از استانداردسازی داده‌ها و تقسیم به مجموعه‌های آموزش (۶۷%) و آزمون (۳۳%)، آموزش دید و عملکرد آن با معیارهایی مانندRMSE (884/0)۰،MAE (711/0)، MAPE (673/%6)، R² (989/0)، و شاخص ویلموت (997/0) ارزیابی گردید که دقت بالا، عدم بیش‌برازش، و کاهش چشمگیر زمان محاسباتی (تا ثانیه‌ها در مقابل ساعت‌ها برای FEA) را نشان می‌دهد که این امر بهره‌وری در مدیریت سیستم‌های صنعتی را ارتقا می‌بخشد. تحلیل حساسیت ذاتی، محلی (بر اساس الاستیسیته و مشتقات جزئی)، و تحلیل عدم قطعیت با عرض باند 2167/0، اهمیت پارامترهای ورودی را رتبه‌بندی کرد و نقش غالب عوامل عملیاتی در بهینه‌سازی سیستم را برجسته نمود. نوآوری‌های تحقیق شامل ادغام داده‌های آزمایشگاهی برای مدل‌سازی یکپارچه سیستم‌های واقعی، ارائه نگاشت ورودی-خروجی، و کاهش هزینه‌های شبیه‌سازی است که این مدل را برای کاربردهای صنعتی در بهینه‌سازی فرایندهای تولید و افزایش بهره‌وری در صنایع خودروسازی مناسب می‌سازد و گامی به سوی طراحی مبتنی بر هوش مصنوعی در مهندسی سیستم‌ها برمی‌دارد. https://systems.eyc.ac.ir/article_734067_2c682334e671adc700625a62fa6f504c.pdf