پیشبینی درصد سایش پوشش های مولیبدن Mo ، پوشش داده شده توسط شبکه های عصبی مصنوعی

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,545

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICICE05_044

تاریخ نمایه سازی: 14 تیر 1387

چکیده مقاله:

در موتورهای احتراق داخلی به علت وجود دمای بالا در محفظه احتراق سطح پیستون بای دبسیار سخت و مقاوم به سایش باشد از این رو و برای افزایش خواص سایشی از پوشش های Mo استفاده میشود و درصد سایش این پوشش را باید همواره محاسبه کرده و داشته باشیم . ما برای رسیدن به این هدف از ابزار Feed Forward NeuralNetwork (FFNN) با الگوریتم آموزش Back Propagation(BP) استفاده کرده ایم تا بتوانیم میزان سایش راباتوجه به عواملی نظیربارگذاری،محیط و مدت زمان کارکرد ، تعیین کنیم . مقایسه بین نتایج پیش بینی شده و نتایج بدست آمده از آزمایشات تجربی وقت گیر و پر هزینه دیگران دلالت بر این امر دارد که بین این دو تطابق خوبی با دقت بالا وجوددارد . بنابراین از این شبکه آموزش داده شده میتوان برای تعیین میزان سایش( بدون نیاز به انجام آزمایش) این نوع پوششها و پوششهای دیگر استفاده کرد .

کلیدواژه ها:

شبکه های عصبی مصنوعی ، Feed Forward Neural Network ، پوششهای مولبیدن

نویسندگان

مهدی ارجمندی بهزاد

دانشگاه صنعتی خواجه نصیرالدین طوسی – دانشکده مکانیک امور مهندسی و ت

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 :
  • R.C.McCune and G.A.Weber , Automotive Engine Materials, 2000 ...
  • Charles L .Proctor , Internal Combustion Engine , 2001 ...
  • A.S. Demirkiran, E. Celik, M. Yargan, E. Avci, Oxidation behaviour ...
  • S. Usmani, S. Sampath, Tim e-dependent friction response of plasmasprayed ...
  • Z. Liu, M. Hua, Wear transitions and mechanisms in lubricated ...
  • H.L. Du, P.K. Datta, J.S. Burnell-Gray, X. Guo, Influence of ...
  • Nimonic PE11 alloys, Surf. Coat. Technol. 76-77 (1995) 1-6. ...
  • K.M. Ajay, R.B. Randy, Thermal cycling response and oxidation behavior ...
  • M. Finot, S. Suresh, C. Bull, S. Sampath, Curvature changes ...
  • L. Prchlik, S. Sampath, J. Gutleber, G. Bancke, A.W. Ruff, ...
  • S.F. Wayne, S. Sampath, S. Anand, Wear mechanisms in thermallysp ...
  • Liujie xu, jiandog .Artificial neural network prediction of retained austenine ...
  • Hykin, neural network comprehens ive foundation 1995 ...
  • E.j -d ayhoff, neural network architecture new York 1990 ...
  • J.m.zurad , introduction to artificil neural network , DWS, boston ...
  • B. Uyulgan, H. C, etinel, I. Ozdemir, C. Tekmen, S.C. ...
  • Howard Demuth, Mark Beale _ Neural Network Toolbox. 1998 ...
  • نمایش کامل مراجع