امکان سنجی و مشخصه یابی جایگزینی روش ساخت افزایشی قوس و سیم مبتنی بر جوشکاری قوس الکتریکی با گاز محافظ برای ساخت پل و سازه های فلزی: رویکرد الگوریتم های هوش مصنوعی

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 10

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSTI-10-1_008

تاریخ نمایه سازی: 31 تیر 1403

چکیده مقاله:

نیاز گسترده و روزافزون جامعه به ساختمان و سازه، ضرورت استفاده از روش های ساخت جدید به منظور افزایش سرعت ساخت، سبک سازی، افزایش عمر مفید و نیز مقاوم نمودن ساختمان ها در برابر زلزله را بیش از پیش مطرح ساخته است. روش های جدید، در دراز مدت موجب بهینه سازی سازه، افزایش ساخت و رسیدن به شرایط اجرایی مطلوب خواهد شد. نیاز روز افزون جوامع بشری به سازه های خاص توسط فناوری جدید بیشتر از پیش احساس می شود. ساخت افزایشی برپایه جوشکاری قوس الکتریکی با گاز محافظ به عنوان یکی از روش های ساخت سریع و کم هزینه برای سازه های اولیه فلزی است. بدین منظور سه پارامتر ولتاژ، سرعت تغذیه سیم و سرعت جوشکاری به عنوان پارامترهای تاثیرگذار بر عرض و ارتفاع گرده جوش به عنوان پارامترهای خروجی در نظر گرفته شده اند. برای بررسی اثرات فرایند، ۱۶ آزمایش با پارامتر ورودی مورد ارزیابی قرار گرفت. با انجام آزمایش های تجربی نتایج عرض و ارتفاع گرده جوش تعیین شد. سپس هندسه جوش حاصله به سه روش مدل سازی عددی که شامل ماشین یادگیری شدید، ماشین بردار ارتباط و منطق فازی مدل سازی شده است. مقایسه بین داده های تجربی و خروجی سه مدل ایجادی نشان می دهد که نزدیک ترین نتایج به داده های تجربی هندسه جوش از روش های مدل سازی، منطق فازی دارا بوده است. به گونه ای که داده های آزمون مدل فازی ایجادی، خطای میانگین برای ارتفاع و عرض به ترتیب ۶۶۷/۰ و ۵۴۷۷/۰ و جذر میانگین مربعات برای ارتفاع و عرض ۰۰۴۶/۰ و ۳/۰ بدست آورده که بیان کننده قابلیت تعمیم و اطمینان بالا نسبت به دیگر روش مدل سازی در این فرایند است. در نهایت نمونه فلزی سازه خاص مبتنی برساخت افزایشی قوس و سیم برپایه جوشکاری قوس الکتریکی با گاز محافظ تولید شد.

کلیدواژه ها:

Arc and wire additive manufacturing ، metal structures ، artificial intelligence algorithms ، gas metal arc welding. ، ساخت افزایشی قوس و سیم ، سازه های فلزی ، الگوریتم های هوش مصنوعی ، جوشکاری قوس الکتریکی با گاز محافظ.

نویسندگان

محمدرضا مرکی

Department of Materials Engineering, Birjand University of Technology, Birjand, Iran.

هادی تقی ملک

Faculty of Mechanical Engineering, Semnan University, Semnan, Iran.

محمد یوسفیه

Faculty of Materials and Metallurgical Engineering, Semnan University, Semnan, Iran.

علیرضا آقائی فر

Department of Civil Engineering, Payame Noor University, Tehran, Iran.

ابوالفضل فورگی نژاد

دانشکده مهندسی مکانیک و مواد، دانشگاه صنعتی بیرجند، بیرجند، ایران.

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 :
  • Maraki M, Mahmoodi M, Yousefieh M, Tagimalek H. Prediction and ...
  • K. Li, Y. Zhang., Consumable double-electrode GMAW, Welding Journal, Vol. ...
  • M. Anzehaee, M. Haeri., A new method to control heat ...
  • . Huaming, Q. Xunpeng, H. Song, H. Zeqi, N. Mao. ...
  • Geometry modeling of single track cladding deposited by high power ...
  • C. Kriesi, Q. Bjelland, M. Steinert., Fast and iterative prototyping ...
  • B. Hosseinzadeh Samani, H. Hourijafari., Modeling and forecasting of energy ...
  • A. Zadeh, Fuzzy sets, Information and control, pp. ۳۳۸-۳۵۳, ۱۹۶۵ ...
  • Y.M. Zhang, Y. Chen, P. Li, A.T. Male., Weld deposition-based ...
  • W.C. Lee, C.C. Wei, S.C. Chung., Development of a hybrid ...
  • F. Kollahan, M. Heidari., Modeling and optimization of MAG welding ...
  • J. Xiong, G. Zhang, J. Hu, L. Wu., Bead geometry ...
  • H. Rong, Y. Ong, A. Tan., A fast pruned-extreme learning ...
  • M. Yao, Z. Xu, Z. Wu, W. Dai., Incremental regularized ...
  • G.B. Huang, Q.Y. Zhu, C.K. Siew., Extreme learning machine: theory ...
  • G. Huang, et al., Trends in extreme learning machines: a ...
  • K. De Brabanter, P. KarsmaNers, F. Ojeda, C. Alzate, J. ...
  • L. Wang, Support vector machines: theory and applications Springer Science ...
  • Vol. ۱۷۷, ۲۰۰۵ ...
  • D. J. MacKay, Bayesian interpolation. Neural computation, ۴(۳), ۴۱۵-۴۴۷, ۱۹۹۲ ...
  • D. Meyer, F. Leisch, K. Hornik., The support vector machine ...
  • G. Krishnasamy, R. Paramesran, H. semi., supervised extreme learning machine, ...
  • L. Yang, S. Zhang., A sparse extreme learning machine framework ...
  • L. Tapak, H. Mahjub, O. Hamidi, J. Poorolajal., Real-data comparison ...
  • F.B. Khiabani, A. Ramezankhani, F. Azizi, F. Hadaegh, E.W. Steyerberg, ...
  • H. Tagimalek, M.R. Maraki, M. Mahmoodi, H.K. Moghaddam, S. Farzad-Rik., ...
  • M. Sugeno., An introductory survey of fuzzy control, Information Sciences, ...
  • S. Shakki, M.R. Zakerzadeh., Modeling and control of a shape ...
  • M. Salehpour, A. Jamali, A. Bagheri, N. Nariman zadeh., A ...
  • S.A.H. Tabatabaei, A. Yousefi Koma, M. Ayati, S.S. Mohtasebi., Design ...
  • Maraki M, Mahmoodi M, Yousefieh M, Tagimalek H. Prediction and ...
  • K. Li, Y. Zhang., Consumable double-electrode GMAW, Welding Journal, Vol. ...
  • M. Anzehaee, M. Haeri., A new method to control heat ...
  • . Huaming, Q. Xunpeng, H. Song, H. Zeqi, N. Mao. ...
  • Geometry modeling of single track cladding deposited by high power ...
  • C. Kriesi, Q. Bjelland, M. Steinert., Fast and iterative prototyping ...
  • B. Hosseinzadeh Samani, H. Hourijafari., Modeling and forecasting of energy ...
  • A. Zadeh, Fuzzy sets, Information and control, pp. ۳۳۸-۳۵۳, ۱۹۶۵ ...
  • Y.M. Zhang, Y. Chen, P. Li, A.T. Male., Weld deposition-based ...
  • W.C. Lee, C.C. Wei, S.C. Chung., Development of a hybrid ...
  • F. Kollahan, M. Heidari., Modeling and optimization of MAG welding ...
  • J. Xiong, G. Zhang, J. Hu, L. Wu., Bead geometry ...
  • H. Rong, Y. Ong, A. Tan., A fast pruned-extreme learning ...
  • M. Yao, Z. Xu, Z. Wu, W. Dai., Incremental regularized ...
  • G.B. Huang, Q.Y. Zhu, C.K. Siew., Extreme learning machine: theory ...
  • G. Huang, et al., Trends in extreme learning machines: a ...
  • K. De Brabanter, P. KarsmaNers, F. Ojeda, C. Alzate, J. ...
  • L. Wang, Support vector machines: theory and applications Springer Science ...
  • Vol. ۱۷۷, ۲۰۰۵ ...
  • D. J. MacKay, Bayesian interpolation. Neural computation, ۴(۳), ۴۱۵-۴۴۷, ۱۹۹۲ ...
  • D. Meyer, F. Leisch, K. Hornik., The support vector machine ...
  • G. Krishnasamy, R. Paramesran, H. semi., supervised extreme learning machine, ...
  • L. Yang, S. Zhang., A sparse extreme learning machine framework ...
  • L. Tapak, H. Mahjub, O. Hamidi, J. Poorolajal., Real-data comparison ...
  • F.B. Khiabani, A. Ramezankhani, F. Azizi, F. Hadaegh, E.W. Steyerberg, ...
  • H. Tagimalek, M.R. Maraki, M. Mahmoodi, H.K. Moghaddam, S. Farzad-Rik., ...
  • M. Sugeno., An introductory survey of fuzzy control, Information Sciences, ...
  • S. Shakki, M.R. Zakerzadeh., Modeling and control of a shape ...
  • M. Salehpour, A. Jamali, A. Bagheri, N. Nariman zadeh., A ...
  • S.A.H. Tabatabaei, A. Yousefi Koma, M. Ayati, S.S. Mohtasebi., Design ...
  • نمایش کامل مراجع