استفاده از مدل شبکه های عصبی مصنوعی در پیشبینی سختی قطعات فولادی تولید شده به روش متالوژی پودر

ریز ساختار مواد تولید شده به روش متالورژی پودر از دو بخش اصلی 1- فازهای زمینه و 2- تخلخل تشکیل شده است. این تخلخل ها به عنوان مراکز تمرکز تنش و کاهش دهنده سطح تحمل بار ایفای نقش کرده و از این رو باعث افت و کاهش خواص مکانیکی میشوند. سختی یکی از مشخصه های مهم مکانیکی است که در قطعات متالورژی پودر به شدت تحت تاثیر و درصد تخلخلهای موجود است که 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 Network که با الگوریتم آموزش Back 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) تعیین و پیشبینی کنیم و به این روش از انجام آزمایشاتی که ممکن است سخت، پر هزینه و همراه با خطا است جلوگیری کنیم.

کلیدواژه ها:

سختی ، متالورژی پودری ، شبکه های عصبی مصنوعی ، Feed Forward Neural Network