CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

مدل سازی فرایند اکستروژن مستقیم به کمک شبکه عصبی و بهینه سازی آن با استفاده از الگوریتم جستجوی هماهنگی

عنوان مقاله: مدل سازی فرایند اکستروژن مستقیم به کمک شبکه عصبی و بهینه سازی آن با استفاده از الگوریتم جستجوی هماهنگی
شناسه ملی مقاله: ASCME09_014
منتشر شده در نهمین کنفرانس دانشجویی مهندسی مکانیک در سال 1396
مشخصات نویسندگان مقاله:

محمد سلم آبادی - ایران،بیرجند ، دانشگاه آزاد اسلامی،واحد بیرجند، کدپستی ۳۳، دانشجوی کارشناسی ارشد
حمید بهلولی - ایران،بیرجند ، دانشگاه آزاد اسلامی،واحد بیرجند ، کدپستی ۳۳، مربی
محمد خسروی - ایران،بیرجند ، دانشگاه صنعتی بیرجند ، کدپستی ۹۷۱۹۸۶۶۹۸۱ استادیار

خلاصه مقاله:
در مطالعه حاضر، فرایند اکستروژن قطعه ای از جنس فولاد AISI-1035 توسط نرم افزار اجزاء محدود Deform3D که برایفرایندهای شکل دهی حجیم طراحی گردیده، شبیه سازی شدهاست. از آنجاییکه یکی از پارامترهای مهم در این فرایند، مقدارنیروی سمبه است و با توجه به تعداد پارامترهای موثر و نیز ماهیتغیر خطی فرایند، از شبکه عصبی مصنوعی برای پیش بینی مقدار آناستفاده شده است. شبکه عصبی باعث صرفه جویی در زمان تحلیلفرایند می شود. در اینجا از شبکه عصبی پیشخور با الگوریتم پسانتشار خطا استفاده شده است که یکی از قوی ترین شبکه ها برایشبیه سازی مسایل غیر خطی بوده و قابلیت برازش مناسب بر هر گونهداده ای را دارد. ورودی های شبکه دمای اولیه قطعه، سرعت حرکتسمبه، ضریب اصطکاک بین قطعه و قالب و ضریب کلی انتقالحرارت می باشد.از نتایج مدل المان محدود جهت آموزش شبکه استفاده شده وسپس از شبکه آموزش دیده به منظور پیش بینی مقدار نیروی لازمبرای شکل دهی استفاده شده است. در نتایج بدست آمده تطابق قابلقبولی با نتایج المان محدود وجود دارد. جهت بهینه سازیپارامترهای مرتبط با فرایند، جهت رسیدن به کمترین مقدار نیرویشکل دهی از الگوریتم ابتکاری جستجوی هماهنگی استفاده شدهاست و به منظور اعتبار سنجی نتایج بدست آمده، الگوریتم ژنتیک کهیکی از معروفترین و پرکاربردترین الگوریتم ابتکاری بهینه سازیاست، مورد استفاده قرار گرفته است.

کلمات کلیدی:
فرایند اکستروژن، شبیه سازی المان محدود، شبکه عصبی، الگوریتم جستجوی هماهنگی

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/772081/