ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Modelling of Friction Stir Extrusion using Artificial Neural Network (ANN)

سال انتشار: 1397
کد COI مقاله: JR_ADMTL-11-4_001
زبان مقاله: انگلیسیمشاهد این مقاله: 19
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Modelling of Friction Stir Extrusion using Artificial Neural Network (ANN)

Mohammad Ali Ansari - Department of Mechanical Engineering, University of Wisconsin-Madison, USA
Reza Abdi Behnagh - Faculty of Mechanical Engineering, Urmia University of Technology, Iran
Dong Lin - Department of Industrial and Manufacturing Systems Engineering, Kansas State University, USA
Sarang Kazeminia - Faculty of Electrical Engineering, Urmia University of Technology, Iran

چکیده مقاله:

In the present study, an artificial neural network (ANN) model is developed to predict the correlation between the friction stir extrusion (FSE) parameters and the recycled wires’ average grain sizes. FSE is a solid–state synthesis technique, in which machining chips are firstly loaded into the container, and then a rotating tool with a central hole is plunged into the chips at a selected rotational speed and feed rate to achieve indirect extrusion. Selecting rotational speed (RS), vertical speed (VS), and extrusion hole size (HS) as the input and average grain size as the output of the system, the ۳–۶–۱ ANN is used to show the correlation between the input and output parameters. Checking the accuracy of the neural network, R squared value and Root–Mean–Square–Error (RMSE) of the developed model (۰.۹۴۴۳۸ and ۰.۷۵۷۹۴, respectively) have shown that there is a good agreement between experimental and predicted results. A sensitivity analysis has been conducted on the ANN model to determine the impact of each input parameter on the average grain size. The results showed that the rotational speed has more effect on average grain size during the FSE process in comparison to other input parameters.

کلیدواژه ها:

Average Grain Size, Artificial Neural Network, Friction Stir Extrusion, Recycling, Sensitivity analysis

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://civilica.com/doc/1194566/

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:
Ansari, Mohammad Ali and Abdi Behnagh, Reza and Lin, Dong and Kazeminia, Sarang,1397,Modelling of Friction Stir Extrusion using Artificial Neural Network (ANN),,,,,https://civilica.com/doc/1194566

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: (1397, Ansari, Mohammad Ali؛ Reza Abdi Behnagh and Dong Lin and Sarang Kazeminia)
برای بار دوم به بعد: (1397, Ansari؛ Abdi Behnagh and Lin and Kazeminia)
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 ممقالهقاله لینک شده اند :

  • Zhang, T., Ji, Z., and Wu, S., Effect of Extrusion ...
  • Ansari, M. A., Behnagh, R. A., Narvan, M., Naeini, E. ...
  • Sharifzadeh, M., Ansari, M. A., Narvan, M., Behnagh, R. A., ...
  • Ji, Z. S., Wen, L. H., and Li, X. L., ...
  • Hu, M. L., Ji, Z. S., Chen, X. Y., Wang, ...
  • Chino, Y., Kishihara, R., Shimojima, K., Hosokawa, H., Yamada, Y., ...
  • Wen, L., Ji, Z., and Li, X., Effect of Extrusion ...
  • Tang, W., Reynolds, A. P., Production of Wire via Friction ...
  • Nicholas, E. D., Friction Processing Technologies, Advanced Materials & Processes, ...
  • Fehrenbacher, A., Schmale, J. R., Zinn, M. R., and Pfefferkorn, ...
  • Pellegrino, J. L., Margolis, N., Justiniano, M., Miller, M., and ...
  • Das, S. K., Green, J. A. S., Kaufman, J. G., ...
  • Ansari, M. A., Sadeqzadeh Naeini, E., Besharati Givi, M. K., ...
  • Huang, W., Hou, B., Pang, Y., and Zhou, Z., Fretting ...
  • Kang, S., Lee, Y., and Lee, J., Effect of Grain ...
  • Behnagh, R. A., Shen, N., Ansari, M. A., Narvan, M., ...
  • Grum, J., Slabe, J. M., The Use of Factorial Design ...
  • Lakshminarayanan, A. K., Balasubramanian, V., Comparison of RSM with ANN ...
  • Elatharasan, G., Kumar, V. S. S., An Experimental Analysis and ...
  • Palanivel, R., KoshyMathews, P., and Murugan, N., Development of Mathematical ...
  • Rajakumar, S., Muralidharan, C., and Balasubramanian, V., Establishing Empirical Relationships ...
  • Elangovan, K., Balasubramanian, V., and Babu, S., Predicting Tensile Strength ...
  • Okuyucu, H., Kurt, A., and Arcaklioglu, E., Artificial Neural Network ...
  • Asadi, P., Givi, M. K. B., Rastgoo, A., Akbari, M., ...
  • Yousif, Y. K., Daws, K. M., and Kazem, B. I., ...
  • Ghetiya, N. D., Patel, K. M., Prediction of Tensile Strength ...
  • Arunchai, T., Sonthipermpoon, K., Apichayakul, P., and Tamee, K., Resistance ...
  • Bourquin, J., Schmidli, H., Van Hoogevest, P., and Leuenberger, H., ...
  • Li, H. J., Qi, L. H., Han, H. M., and ...
  • Ates, H., Prediction of Gas Metal Arc Welding Parameters Based ...
  • Muthukrishnan, N., Davim, J. P., Optimization of Machining Parameters of ...
  • Demuth, H., Beale, M., Neural Network Toolbox For Use with ...
  • Kumar, P., Nigam, S. P., and Kumar, N., Vehicular Traffic ...
  • Ferreira, P., Ribeiro, P., Antunes, A., and Dias, F. M., ...
  • Tuntas, R., Dikici, B., An Investigation on the Aging Responses ...
  • Montano, J., Palmer, A., Numeric Sensitivity Analysis Applied to Feedforward ...
  • Campana, R. C., Vieira, P. C., and Plaut, R. L., ...
  • Song, R., Zhang, Q., Tseng, M., and Zhang, B., The ...
  • Garson, G. D., Interpreting Neural Network Connection Weights, AI Expert, ...
  • Wang, W., Jones, P., and Partridge, D., Assessing the Impact ...
  • Dutta, S., Gupta, J. P., PVT Correlations for Indian Crude ...
  • Gevrey, M., Dimopoulos, I., and Lek, S., Review and Comparison ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    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.

    پشتیبانی