CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مدل سازی و مقایسه مدل های برتر فرآیند جوشکاری رباتیک قوسی جهت پیش بینی کیفیت مطلوب جوش و انتخاب پارامترهای مناسب

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۲۸۴ | نظرات: ۰
سرفصل ارائه مقاله: طراحی جامدات - سایر موارد
سال انتشار: ۱۳۸۷
کد COI مقاله: ISME16_691
زبان مقاله: فارسی
حجم فایل: ۳۱۳.۳۲ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدل سازی و مقایسه مدل های برتر فرآیند جوشکاری رباتیک قوسی جهت پیش بینی کیفیت مطلوب جوش و انتخاب پارامترهای مناسب

  جعفر ثنائی مقدم سبزوار - دانشجوی کارشناسی ارشد مکانیک دانشگاه فردوسی مشهد
  علی اکبر اکبری - استادیار گروه مهندسی مکانیک دانشگاه فردوسی مشهد
  علی رضا اکبر زاده توتونچی - استادیار گروه مهندسی مکانیک دانشگاه فردوسی مشهد

چکیده مقاله:

جوشکاری Gas Metal Arc(GMA) ، یکی از پرکاربردترین فرآیندهای تولید به شمار می آید که برای ایجاد اتصالات با کیفیت بالا بکار گرفته می شود . همچنین، این روش قابلیت استفاده در سیستم های اتومات جهت افزایش قابلیت تولید را دارد . در حال حاضر، گرایش به سمت فرآیند جوشکاری اتومات در صنعت رو به افزایش است . اما با وجود استفاده زیاد آن در صنایع مختلف، جوشکاری تمام اتومات GMA هنوز با مشکلاتی مواجه است . یکی از اساسی ترین مشکلات فقدان الگوریتم مناسب برای استخراج رابطه موجود بین متغیرهای جوشکاری و هندسه جوش است . زیرا با کنترل
هندسه جوش می توان خواص مکانیکی را نیز کنترل نمود . دراین بررسی چند مدل بهینه شده ریاضی برای پیش بینی عمق نفوذ جوش با استفاد از روش رگرسیون چند گانه، شبکه عصبی MLP 1 و SANN 2 ارائه شد . نتایج نشان داد که مدل های پیشنهادی میتوانند عمق نفوذ جوش را با دقت قابل قبولی، پیش بینی نمایند . در بین 5 مدل ارایه شده، مدل شبکه عصبیMLP با دقت بالاتری عمق نفوذ را پیش بینی می کند . در ادامه با کمک الگوریتم تبرید تدریجی مقادیر بهینه پارامترهای ورودی مدل MLP که کیفیت مطلوب را ایجاد می کند، تخمین زده شد . این مقادیر با مقادیرحاصل
از نتایج Karadeniz و همکاران [12] مقایسه گردید .

کلیدواژه‌ها:

جوشکاری رباتیک، مدل سازی، شبکه عصبی، بهینه سازی، الگوریتم تبرید تدریجی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ISME16-ISME16_691.html
کد COI مقاله: ISME16_691

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
ثنائی مقدم سبزوار, جعفر؛ علی اکبر اکبری و علی رضا اکبر زاده توتونچی، ۱۳۸۷، مدل سازی و مقایسه مدل های برتر فرآیند جوشکاری رباتیک قوسی جهت پیش بینی کیفیت مطلوب جوش و انتخاب پارامترهای مناسب، شانزدهمین کنفرانس سالانه مهندسی مکانیک، کرمان، دانشکده فنی مهندسی دانشگاه شهید باهنر، https://www.civilica.com/Paper-ISME16-ISME16_691.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (ثنائی مقدم سبزوار, جعفر؛ علی اکبر اکبری و علی رضا اکبر زاده توتونچی، ۱۳۸۷)
برای بار دوم به بعد: (ثنائی مقدم سبزوار؛ اکبری و اکبر زاده توتونچی، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • I.S. Kim, J.S. Son, C.E. Park, I.J. Kim, H.H. Kim, ...
  • International Journal of Materials Processing Technology, Vol. 159, pp.113-118. ...
  • R.S. Chandel, 1988, Mathematical modeling of gas metal arc weld ...
  • I.S. Kim, K.J. Son, Y.S. Yang, P.K.D.V. Yaragada, 2003, Sensitivity ...
  • Kim IS, Jeong YJ, Son IJ, Kim IJ, Kim JY, ...
  • Kim IS, Son JS, Kim IG, Kim JY, Kim OS, ...
  • N. Murugan , V. Gunaraj, 2005, Prediction and control of ...
  • J. P. Ganjigatti & D. K. Pratihar & A. Roy ...
  • Nagesh DS, Datta GL., 2002, Prediction of weld bead geometry ...
  • IlI-Soo Kim, Joon-Sik Son, Sang-Heon Lee, Prasad K.D.V. Yarlagadda, 2004, ...
  • C.S. Wu, J.Q. Gao and Y.H. Zhao, 2006, Neural network ...
  • l 1- Hakan Ates, 2007, Prediction of gas metal arc ...
  • Erdal Karadeniz, Ugur Ozsarac, Ceyhan Yildiz, 2007, The effect of ...
  • SAS Institute, Inc., SAS/STAT Users Guide, 2003 Edition, SAS Institute ...
  • Burke L, Ignizio JP., 1997, Apractical overview of neural networks, ...
  • Demuth H., Beale M., Hagan M., 2006, Neural network toolbox ...
  • Vogl, T.P., J.K. Mangis, A.K. Rigler, W.T. Zink, and D.L. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۲۴۷۰۷
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • صنعت اتصال > جوشکاری
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.