به کارگیری محاسبات نرم در مدل سازی و بهینه سازی پارامترهای موثر در کنترل هندسه جوش فرآیند جوشکاری رباتیک
محل انتشار: شانزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,706
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE16_425
تاریخ نمایه سازی: 6 اسفند 1386
چکیده مقاله:
فرایند جوشکاری قوسی یک نکنیک اتصال فلزات با کیفیت بالا می باشد که به علت دامنه وسیع کاربردهای صنعتی آن، از اهمیت بالایی برخوردار است. برای دست یابی به کیفیت مطلوب جوش، نیاز است که رابطه پارامترهای موثر جوشکاری روی هندسه جوش مدل سازی شود. اهمیت این مطلب بدان خاطر است که خصوصیات مکانیکی جوش نیز تحت تاثیر هندسه جوش قرار دارد. اما علیرغم استفاده گسترده از این فرایند، به علت فقدان مدل مناسب، هنوز جوشکاری تمام اتومات با مشکلاتی مواجه است. در این تحقیق سعی شده است با ارایه مدل های مختلف، کیفیت جوش بررسی شود. از این رو چند مدل بهینه شده برای پیش بینی عمق نفوذ جوش، به عنوان فاکتور نشان دهنده کیفیت مطلوب، با استفاده از روش رگرسیون، تبرید تدریجی، شبکه عصبی و روش ترکیبی ارائه شد. نتایج نشان داد که مدل های پیشنهادی می توانند عمق نفوذ جوش را با دقت قابل قبولی، پیش بینی نمایند. در بین 6 مدل ارائه شده، مدل شبکه عصبی با دقت بالاتری عمق نفوذ را پیش بینی می کند. در ادامه با کمک الگوریتم تبرید تدریجی مقادیر بهینه پارامترهای ورودی مدل شبکه عصبی که کیفیت مطلوب را ایجاد می کند، تخمین زده شد. این مقادیر با مقادیر حاصل از نتایج Karadeniz و همکاران مقایسه گردید که نتایج این مقایسه حاکی از نزدیکی کقادیر تخمین زده شده با واقعیت است.
کلیدواژه ها:
نویسندگان
جعفر ثنایی مقدم سبزوار
دانشجوی کارشناسی ارشد مکانیک دانشگاه فردوسی
علی رضا اکبرزاده توتونچی
استادیار گروه مکانیک دانشگاه فردوسی
علی اکبر اکبری
استادیار گروه مکانیک دانشگاه فردوسی
محمد رضا اکبرزاده توتونچی
دانشیار گروه برق دانشگاه فردوسی
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 :