بهینه سازی زبری سطح فرآیند ماشینکاری تخلیه الکتریکی با بکارگیری مدل شبکه عصبی و الگوریتم تبرید تدریجی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 850

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:

DCEAEM01_646

تاریخ نمایه سازی: 18 دی 1393

چکیده مقاله:

ماشینکاری تخلیه الکتریکی 1 یکی از روش های تولید مخصوص می باشد که در قالب سازی ، تعمیرات و تولید قطعات خاص صنعتی کاربرد گسترده ای دارد . در این تحقیق از شبکه عصبی پس انتشار 2 بمنظور مدل سازی فرآیند تخلیه الکتریکی استفاده شدهاست . مدل سازی به کمک 36 مجموعه از داده های تجربی انجام یافته است . متغیرهای ورودی مورد بررسی شامل پنج پارامتر زمانروشنی و خاموشی پالس ، شدت جریان تخلیه ، ولتاژ و فاکتور کار می باشند. همچنین زبری سطح به عنوان مشخصه خروجی فرآیند مورد ارزیابی قرار می گیرد . خطای پیش بینی توسط شبکه عصبی کمتر از3/04درصد می باشد . که مبین قابلیت مناسب روش پیشنهادی در پیش بینی فرآیند زبری سطح توسط ماشینکاری تخلیه الکتریکی است . در ادامه تحقیق، از الگوریتم تبرید تدریجی 3بمنظور تعیین سطوح بهینه پارامترهای تنظیمی، استفاده شده است . در این راستا، مدل شبکه عصبی بمنظور تخمین خروجی فرآیند در داخل الگوریتم تبرید تدریجی قرار گرفته و بهینه سازی بر اساس حداقل سازی زبری سطح انجام یافته است . نتایج محاسباتی این مرحله نیز نشان دهنده عملکرد بسیار خوب روش بهینه سازی پیشنهادی در حل مسئله مورد نظر است.

نویسندگان

فرید ایلچی

دانشجوی کارشناسی ارشد مهندسی مکانیک ، دانشگاه آزاد اسلامی واحد ساری ، ساری ، ایران

فرهاد کلاهان

دانشیار گروه مهندسی مکانیک ، دانشگاه فردوسی مشهد

مسعود آزادی مقدم

دانشجوی دکتری مهندسی مکانیک، دانشگاه فردوسی مشهد

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 :
  • N. Bani Mostafa Arab , 2006, Advanced Machining Process, Tehran: ...
  • E. Uhlmann, D. C. Domingosb , 2013, Development and optimization ...
  • L. Lia, Y.B. Guob, X.T. Weia, W , 2013, Lib-Surface ...
  • B. Jabbaripoor, M. H. Sadeghi, M. Shabgard, S. Fereido onvand ...
  • S. Gopakalannan, T. Sintheleva , 2012, Modeling and Optimization of ...
  • Jianbo Yu., Shijin Wang., Lifeng Xi , 2008, Evolving artificial ...
  • S. Assarzadeh, M. Ghoreishi , 2008, Neura l-n etwork-based modeling ...
  • Kehagias, A., Petridis, V , 2002, Predictive nodular neural networks ...
  • Azouzi R., Guillot M , 1997, On-line prediction of surface ...
  • M.Azadi Moghaddam, F. Kolahan, M.A ndalib, 2012 , Application of ...
  • Hang M. T., Demuth B., M Beals , 1996, Neural ...
  • Laarhoven, P.J.M., and Aarts, E.H.L, 1998 , Simulated annealing: Theory ...
  • نمایش کامل مراجع