استفاده از مدل شبکه های عصبی مصنوعی در پیش بینی سختی قطعات فولادی تولید شده بهروش متالورژی پودر
- سال انتشار: 1386
- محل انتشار: اولین همایش مشترک انجمن مهندسین متالورژی و انجمن ریخته گری ایران
- کد COI اختصاصی: IMES01_019
- زبان مقاله: فارسی
- تعداد مشاهده: 1121
نویسندگان
دانشکده مهندسی مکانیک-دانشکده فنی- دانشگاه صنعتی خواجه نصیرالدین طو
دانشکده مهندسی مکانیک-دانشکده فنی- دانشگاه صنعتی خواجه نصیرالدین طو
امور مهندسی و تحقیقات مواد شرکت ساپکو
دانشکده مهندسی مکانیک-دانشکده فنی- دانشگاه صنعتی خواجه نصیرالدین طو
چکیده
ریز ساختار مواد تولید شده به رو ش متالورژی پودر از دو بخش اصلی 1- فازهای زمینه و 2- تخلخل تشکیل شده است . این تخلخلها به عنوان مراکز تمرکز تنش و کاهش دهنده سطح مقطع تحمل بار ایفاینقش کرده و از این رو باعث افت و کاهش خواص مکانیکی میشوند . سختی یکی ازمشخصه های مهم مکانیکی است که در قطعات متالورژی پودر به شدت تحت تاثیر شکل و درصد تخلخلهای موجود استکه این امر منجر به بروز مشکلاتی در اندازه گیری سختی این نمونه ها میشود . البته برای بعضی حالات خاص یک سری روابط خطی با درصد تخلخل وجود دارد که با خطای زیادی همراه است . ما در این تحقیق سعی کرده ایم که به کمک مدل شبکه های عصبی مصنوعی Feed Forward Neural Networkکه با الگوریتم آموزشBack Propagation آموزش دیده است مقدار سختی را در قطعات متالورژی پودر با توجه به پارامترهایی نظیر دانسیته - ترکیب شیمیایی و شرایط تولید( شامل دمای زینتر و نوع سرد کردن) و عملیات حرارتی ( انجام یا عدم انجام عملیات حرارتی ) تعییین و پیشبینی کنیم وبا این روش ازانجام آزمایشاتی که ممکن است سخت, پر هزینه و همراه با خطا است جلوگیری کنیمکلیدواژه ها
سختی ، متالورژی پودر، شبکه های عصبی مصنوعی، Feed Forward Neural Networkمقالات مرتبط جدید
اطلاعات بیشتر در مورد 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.