تخمین سختی در فرایندهای مختلف عملیات حرارتی برای آلیاژ آلومینیوم با کمک شبکه عصبی مصنوعی و آنالیز رگرسیون

سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 495

فایل این مقاله در 10 صفحه با فرمت PDF و WORD 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:

NCICE02_022

تاریخ نمایه سازی: 17 مرداد 1398

چکیده مقاله:

در این پژوهش، سختی آلیاژ آلومینیوم سرسیلندر طب فرایندهای مختلف عملیات حرارتی، با کمک شبکه عصبی مصنوعی و آنالیز رگرسیون (به روش فاکتوریل)، مدلسازی گردید. برای این منظور، آزمایش سختی سنجی در سه سطح بر روی نمونه ها اجرا شد. فرایندهای عملیات حرارتی T6 قطعه سرسیلندر شامل یک مرحله همگن سازی در دمای 490 درجه سانتیگراد به مدت 5 ساعت و سپس، فرایند کوینچ در سه محیط هوا و آب 25 و 95 درجه سانتیگراد و فرایند پیرسازی در دماهای 180، 200 و 220 درجه سانتیگراد به مدت 1، 3 و 5 ساعت انجام شد. نتایج آنالیز رگرسیون به روش فاکتوریل نشان داد که موثرترین پارامتر، محیط کوینچ است. در این تحقیق، از شبکه پرسپترون چندلایه با الگوریتم یادگیری پس انتشار و توابع غیرخطی تانژانت سیگموئیدی و سیگموئید لگاریتمی برای مدلسازی سختی ماده نیز، استفاده شد. تعداد نورون های ورودی شبکه برابر سه متغیر در ورودی (محیط کوینچ، زمان و دمای پیرسازی) و خروجی شبکه میزان سختی نمونه می باشد. بهترین توپولوژی از شبکه پرسپترون چندلایه با الگوریتم یادگیری پس انتشار و تابع آستانه تانسیگ، 1-10-15-3 با ضریب همبستگی 0/98733 و خطای 4/9815 بود. علاوه بر این، بهترین توپولوژی از شبکه فوق و تابع آستانه لاگسیگ، 1-15-15-3 با ضریب همبستگی 0/98891 و خطای 5/0893 بود.

نویسندگان

سجاد خیشه

دانشجوی دکتری دانشکده مهندسی مکانیک دانشگاه بیرجند، بیرجند

خلیل خلیلی

عضو هیات علمی دانشکده مهندسی مکانیک دانشگاه بیرجند، بیرجند

محمد آزادی

عضو هیات علمی دانشکده مهندسی مکانیک دانشگاه سمنان، سمنان

وحید ذاکرهندوآبادی

کارشناسی ارشد شرکت ایپکو، تهران