استفاده از مدل شبکه های عصبی مصنوعی در پیشبینی سختی قطعات فولادی تولید شده به روش متالوژی پودر
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,451
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CIMS11_019
تاریخ نمایه سازی: 24 اردیبهشت 1387
چکیده مقاله:
ریز ساختار مواد تولید شده به روش متالورژی پودر از دو بخش اصلی 1- فازهای زمینه و 2- تخلخل تشکیل شده است. این تخلخل ها به عنوان مراکز تمرکز تنش و کاهش دهنده سطح تحمل بار ایفای نقش کرده و از این رو باعث افت و کاهش خواص مکانیکی میشوند. سختی یکی از مشخصه های مهم مکانیکی است که در قطعات متالورژی پودر به شدت تحت تاثیر و درصد تخلخلهای موجود است که این امر منجر به بروز مشکلاتی در اندازه گیری سختی این نمونه ها میشود. البته برای بعضی حالات خاص یک سری روابط خطی با درصد تخلخل وجود دارد که با خطای زیادی همراه است. ما در این تحقیق سعی کرده ایم که به کمک مدل شبکه های عصبی مصنوعی Feed Forward Neural Network که با الگوریتم آموزش Back Propagation آموزش دیده است مقدار سختی را در قطعات متالورژی پودر با توجه به پارامترهایی نظیر دانسیته- ترکیب شیمیایی و شرایط تولید (شامل دمای زینتر و نوع سرد کردن) و عملیات حرارتی (انجام یا عدم انجام عملیات حرارتی) تعیین و پیشبینی کنیم و به این روش از انجام آزمایشاتی که ممکن است سخت، پر هزینه و همراه با خطا است جلوگیری کنیم.
کلیدواژه ها:
نویسندگان
مهدی ارجمندی بهزاد
دانشکده
حمید خرسند
دانشکده مهندسی مکانیک، دانشکده فنی، دانشگاه صنعتی خواجه نصیرالدین
سید حسین ساداتی
امور مهندسی و تحقیقات مواد شرکت ساپکو و استادیار گروه جامدات.
حسین عبدوس
دانشکده
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :