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

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

سال انتشار: 1386
کد COI مقاله: CIMS11_019
زبان مقاله: فارسیمشاهد این مقاله: 1,136
فایل این مقاله در 11 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 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

مهدی ارجمندی بهزاد - دانشکده
حمید خرسند - دانشکده مهندسی مکانیک، دانشکده فنی، دانشگاه صنعتی خواجه نصیرالدین
سید حسین ساداتی - امور مهندسی و تحقیقات مواد شرکت ساپکو و استادیار گروه جامدات.
حسین عبدوس - دانشکده

چکیده مقاله:

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

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/51457/

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:
ارجمندی بهزاد، مهدی و خرسند، حمید و ساداتی، سید حسین و عبدوس، حسین،1386،استفاده از مدل شبکه های عصبی مصنوعی در پیشبینی سختی قطعات فولادی تولید شده به روش متالوژی پودر،یازدهمین کنگره سالانه انجمن مهندسین متالورژی ایران،شیراز،،،https://civilica.com/doc/51457

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: (1386، ارجمندی بهزاد، مهدی؛ حمید خرسند و سید حسین ساداتی و حسین عبدوس)
برای بار دوم به بعد: (1386، ارجمندی بهزاد؛ خرسند و ساداتی و عبدوس)
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 :

  • Danninger H., Jungg G , Weiss R , Stickler R., ...
  • Salak A., Ferrous powder Metallurgy _ Cambridge International Sciemce publishing ...
  • Hadboletz A., weiss B, ."fatigue behaviour of iron based sintered ...
  • Khan M, H. , "calculation of porosity in sintered P/M ...
  • Bocchini G.F, " the influence of porosity On the characteri ...
  • Wang J., Danninger H., _ Dry sliding _ behaviour of ...
  • Mukhajee _ neuralnetwork of analysis of strain induced trans formation ...
  • Liujie xu, jiandog .Artificial neural network prediction of retained austenine ...
  • Hykin, neural network c O mprehensive foundation 1995 ...
  • 0]E.j -dayhoff, neural network architecture new York 1990 ...
  • 1]J.m.zurad , introduction to artificil neural network , DWS , ...
  • SAPCo, Material engineering & Research Dept, Tehran, Iran ...
  • 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.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    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