این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدلسازی در مهندسی، جلد ۱۵، شماره ۵۱، صفحات ۱۵-۱۵
عنوان فارسی پیش‌بینی خواص مکانیکی آلومینیوم ۶۰۶۱ حاصل از فرآیند نورد در کانال همسان زاویه‌دار با استفاده از شبکه عصبی مصنوعی و رگرسیون غیرخطی
چکیده فارسی مقاله فرآیند نورد در کانال همسان زاویه‌دار از فرآیندهای تغییر فرم شدید پلاستیک جهت دستیابی به ساختار فوق‌ریز دانه می‌باشد. در این مقاله به بررسی این فرآیند و تأثیر پارامترهای آن به کمک مدل‌سازی شبکه‌ی عصبی مصنوعی و رگرسیون غیرخطی پرداخته‌شده است. به‌منظور پیش‌بینی خواص مکانیکی نمونه آلومینیم 6061 حاصل از فرآیند نورد در کانال همسان زاویه‌دار از شبکه عصبی پس انتشار پیش‌خور استفاده‌شده است. پارامترهای زاویه کانال قالب، تعداد عبور و مسیر فرآیند به‌عنوان ورودی‌های شبکه عصبی و پارامترهای استحکام کششی، درصد ازدیاد طول و سختی به‌عنوان خروجی‌های شبکه عصبی در نظر گرفته‌شده‌اند. بعلاوه، رابطه بین پارامترهای ورودی با هرکدام از پارامترهای خروجی با استفاده از رگرسیون غیرخطی استخراج گردیده است. با مقایسه خروجی‌های شبکه عصبی و روابط برازش با نتایج تجربی مشاهده گردید که هر دو مدل به‌طور مناسبی قابلیت پیش‌بینی خواص مکانیکی رادارند، هرچند مدل شبکه عصبی عملکرد بهتری را نشان می‌دهد. در ادامه به کمک داده‌های توسعه داده‌شده توسط مدل شبکه عصبی مصنوعی آموزش‌دیده، تأثیر پارامترهای ورودی فرآیند بر استحکام کششی، درصد ازدیاد طول و سختی مورد تجزیه‌وتحلیل قرارگرفته است. نتایج نشان می‌دهد که مدل شبکه عصبی ، یک ابزار کارآمد برای پیش‌بینی خواص مکانیکی ورق‌های آلومینیم 6061 حاصل از فرآیند نورد در کانال همسان زاویه‌دار می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Mechanical Properties of Equal Channel Angular Rolled Al6061 Alloy Sheet Using Artificial Neural Networks and Nonlinear Regression
چکیده انگلیسی مقاله Equal channel angular rolling (ECAR) is a severe plastic deformation (SPD) process in order to achieve ultrafine-grained (UFG) structure. In this paper, the mechanical properties of ECAR process using artificial neural network (ANN) and nonlinear regression have been illustrated. For this purpose, a multilayer perceptron (MLP) based feed-forward ANN has been used to predict the mechanical properties of ECARed Al6061 alloy sheets. Channel oblique angle, number of passes and the route of feeding are considered as ANN inputs and tensile strength, elongation and hardness are considered as the outputs of ANN. In addition, the relationship between input parameters and mechanical properties were extracted separately using nonlinear regression method. Comparing the outputs of models and experimental results shows that models used in this study can estimate the mechanical properties appropriately. Where, the performance of ANN model is better than the correlations to predict mechanical properties. Finally, the developed outputs of trained neural network model are used to analyze the effects of input parameters on tensile strength, elongation and hardness of ECARed Al6061 alloy sheets. The results showed that the ANN model, without highly expensive tests and experiments, is an efficient tool to predict the mechanical properties of ECARed Al6061 sheets.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مسعود محمودی |
دانشگاه سمنان
سازمان اصلی تایید شده: دانشگاه سمنان (Semnan university)

علی نادری بختیاری |
دانشگاه سمنان
سازمان اصلی تایید شده: دانشگاه سمنان (Semnan university)

نشانی اینترنتی
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات