بررسی تجربی و تحلیل فرآیند فلوفرمینگ به کمک شبکه عصبی
- سال انتشار: 1396
- محل انتشار: چهاردهمین کنفرانس مهندسی ساخت و تولید ایران
- کد COI اختصاصی: ICME14_151
- زبان مقاله: فارسی
- تعداد مشاهده: 674
نویسندگان
ایران، اصفهان، خمینیشهر، دانشگاه آزاد اسلامی واحد خمینیشهر، گروه مکانیک، دانشجوی کارشناسی ارشد ساخت و تولید
ایران، اصفهان، دانشگاه آزاد اسلامی واحد خمینیشهر، گروه مکانیک، دکترای مکانیک.
ایران، اصفهان، خمینیشهر، دانشگاه آزاد اسلامی واحد خمینیشهر، گروه مکانیک، استادیار گروه مکانیک
چکیده
فلوفرمینگ یکی از روشهای شکل دهی سرد فلزات بوده که برای ساخت قطعات متقارن و توخالی مانند لوله بدون درز استفاده می-شود. در این پژوهش اثر متقابل پارامترهای ورودی فلوفرم شامل قطر ورودی پریفرم، سرعت پیشروی غلطکها، مقدار فیلر غلطکهای x ، y و z بر روی متغیرهای خروجی شامل قطر داخلی،×تغییر ضخامت قطعه کار و تلرانس هندسی گردی مورد بررسی و آزمایش قرار گرفته اند. در این پژوهش از پریفورم های آلومینیوم آلیاژ 7075-T6 استفاده شده است. جهت بررسی برهمکنش پارامترها و اثر متقابل آنها بر روی پارامترهای خروجی از شبکه عصبی پرسپترون چند لایه استفاده شده است. در ادامه خروجی شبکه عصبی با تستهای تجربی صحهگذاری شدهاند که تطابق ایده آلی با یکدیگر داشتند. نتایج این پژوهش نشان میدهد که کاهش سرعت پیشروی، باعث افزایش اندازه قطر داخلی و افزایش تلرانس گردی میگردد، ولی با افزایش سرعت پیشروی، تلرانس گردی و تغییر ضخامت قطعه کار افزایش مییابند ولی اندازه قطر داخلی قطعه کار روند کاهشی پیدا میکند. همچنین در این پژوهش مشخص شد، با افزایش مقدار فیلر x، تلرانس گردی و قطر داخلی و تغییرات ضخامت قطعه کار افزایش مییابد. علاوه براین، در نتایج مشخص شد در صورتیکه مقدار فیلر y کاهش یابد، قطر داخلی قطعه کار کاهش می یابد و با افزایش مقدار فیلر y، مقدار تلرانس گردی و تغییرات ضخامت افزایش می-یابند. همچنین نتایج این تحلیل نشان داد با کاهش مقدار فیلرz× تا حدودی مقدار قطر داخلی، تلرانس گردی و تغییرات ضخامت افزایش مییابد.کلیدواژه ها
فلوفرمینگ؛ شبکه عصبی پرسپترون چند لایه؛ اندازه فیلر غلطک ها؛ قطر داخلی پریفرممقالات مرتبط جدید
- بهینه سازی مدیریت انرژی در ریزشبکه ها با استفاده از الگوریتم های هوش مصنوعی
- مبانی، کاربردها و چالشهای یادگیری مشارکتی و تحلیل تجربی و مقایسه ابزارهای یادگیری فدرالی در پیاده سازی مدلهای یادگیری ماشین
- راهکارهای مبتنی بر هوش مصنوعی برای بهره وری انرژی در تولید سیمان: یک بررسی جامع
- معماری اینترنت اشیا مبتنی بر هوش مصنوعی در مدیریت انرژی هوشمند
- سیستم های EMS/BMS در ساختمان های ZEB و نمونههای اجرا شده آن در سطح جهانی
اطلاعات بیشتر در مورد 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.