تعیین درصد حجمی فازهای اصلی تشکیل دهنده آلیاژهای تیتانیوم β+α توسط هوش مصنوعی AI) -Artificial Intelligence)

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,768

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CIMS11_022

تاریخ نمایه سازی: 24 اردیبهشت 1387

چکیده مقاله:

امروزه آلیاژهای تیتانیوم به علت دارا بودن مجموعه ای از خواص منحصر به فرد نظیر دانسیته پایین، نسبت استحکام به وزن بالا، مقاومت به خوردگی و مقاومت به سایش بالا در صنایع مختلفی مانند هوافضا، کاغذسازی، خودرو سازی و دیگر صنایع کاربرد داشته و بسیار مورد توجه است. عمدتا در این نوع آلیاژها فاز زمینه α با ساختار hcp و فاز β با ساختار bcc تشکیل دهنده ریز ساختار آلیاژ مذکور میباشد که بسته به درصد نسبی این دو فاز نوع کاربری آنها نیز در صنایع مختلف دستخوش تغییرات اساسی می شود. در این تحقیق از روش شبکه های عصبی مصنوعی Feed (Forward Neural Network (FFNN با قانون آموزش (Back Propagation (BP که از شاخه های جدید هوش مصنوعی Artificial Intelligence است برای تخمین جامع مقدار فاز β استفاده شده است. در این شبکه ترکیب شیمیایی آلیاژ که شامل عناصر مختلف آلیاژی نظیر Al,V,Fe,O و دمای عملیات حرارتی به عنوان ورودی و درصد حجمی فاز β به عنوان خروجی مورد بررسی و مطالعه قرار گرفته است. مقایسه بین مقادیر پیش بینی شده توسط شبکه طراحی شده در این تحقیق و مقادیر تجربی دلالت بر کارا بودن این مدل در این نوع آلیاژها دارد که در این پژوهش به تفصیل ارائه شده است.

کلیدواژه ها:

هوش مصنوعی AI ، شبکه عصبی FFNN ، الگوریتم BP ، آلیاژهای α+β تیتانیوم و فاز بتا

نویسندگان

سید حسین ساداتی

دانشکده مهندسی مکانیک، دانشکده فنی، دانشگاه صنعتی خواجه نصیرالدین

حمید خرسند

امور مهندسی و تحقیقات مواد شرکت ساپکو و استادیار گروه مواد.

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 :
  • C.leyens and m.peters .Titanium and titanium alloys , fundamental and ...
  • ID.B.lee met mater int .11(2005)141 ...
  • R.kohdar . s.pasha , prediction of the process parameters of ...
  • L.n. smith, R.m. German -Neural network approach for solution of ...
  • Mukhajee _ neuralnetwork of analysis of strain induced trans formation ...
  • Liujie xu, jiandog .Artificial neural network prediction of retained austenine ...
  • Hykin, neural network c O mprehensive foundation 1995 [1 0]E.j ...
  • 1]J.m.zurad , introduction to artificil neural network , DWS , ...
  • R. Castro, L. Seraphin, Mem. Sci. Rev. Metall. 63 (1966) ...
  • Y.T. Lee, G. Welsch, Mater. Sci. Eng. A 128 (1990) ...
  • M. Jain, M.C. Chaturvedi, N.L. Richards, N.C. Goel, Mater. Sci. ...
  • M.L. Meier, D.R. Lesuer, A.K. Mukherjee, Mater. Sci. Eng. A ...
  • S.L. Semiatin, F. Montheillet, G. Shen, J.J. Jonas, Metall. Mater. ...
  • D etermination of the beta- approach curve and beta-transus temperature ...
  • N.S. Reddya, C.S. Lee a, *, J.H. Kimb, S.L. Semiatin ...
  • R. Tomovic, M _ Vukobratovic _ General Sensitivity Theory, American ...
  • S.L.Semiatin , T.R.bieler , acta mater 49(2001) ...
  • j .h.kim, s.l.semiatin, c.s lee, acta mater 51(2003) ...
  • ID.B.lee met mater int .11(2005)141 ...
  • نمایش کامل مراجع