مهدي ارجمندي بهزاد ، حميد خرسند ، سيد حسين ساداتي
دانشکده مکانیک، دانشگاه صنعتي خواجه نصيرالدين طوسي
امور مهندسي و تحقيقات مواد شركت ساپكو
M_arjmandi@sina.kntu.ac.ir
چكيده
ازآنجاييكه حد استحكام خستگي پك پارامتر بسيار مهم در كاربرد تعداد زيادي از قطعات متالورژي پايه آهني بوده و پارامترهاي زيادي نيز بر روي آن اثر مي گذارد، بررسي و تاثير اين پارامترها بر روي آن و تخمين حد استحكام خستگي بسيار مهم و حائز اهميت است. چنانچه بخواهيم حد استحكام خستگي و تاثير پارامترهاي مختلف بر آن را به كمك آزمونهاي تجربي و استاندارد بررسي كنيم نيازمند صرف زمان و هزينه فراواني هستيم. بنابراين در اين تحقيق سعي شده است كه به كمك روش شبيه سازي شبكه هاي عصبي مصنوعي مدلي طراحي شود كه به كمك آن بتوان حد استحكام خستگي را با در نظر گرفتن تمام عوامل موثر پيش بيني كرد.به منظور طراحي و آزمون عملكرد مدل با استفاده از 5 دسته پودر نمونه سازي شده و سپس تستهاي استاندارد خستگي انجام شده است. مدل طراحي شده در اين تحقيق از نوع Feed Forward Neural Network (FFNN) بوده است كه به كمك الگوريتم Backpropagation آموزش ديده است. در اين مدل ورديها شامل تركيب شيميايي نمونه ها، دماي زينتر، شرايط توليد پودر، نرخ سرمايش، درصد تخلخل، پارامتر شكل تخلخل و درصد فازهاي پرليت، فريت، بينيت و مارتنزيت به همراه انجام يا عدم انجام عمليات حرارتي، و پارامتر خروجي حد استحكام خستگي است. مقايسه بين نتايج حاصل از مدلسازي و نتايج آزمونهاي تجربي براي داده هاي تست مدل مويد اين مطلب است كه مدل طراحي شده قادر است در محدوده طراحي شبكه حد استحكام خستگي را بدون انجام ازمايش و با دقتي در محدوده خطاي مدل طراحي شده پيش بيني كند، كه مقادير اين درصد خطاها در متن نوشتار موجود است. به كمك اين روش توانستيم به ميزان زيادي در وقت و هزينه صرفه جويي كنيم.
واژههاي كليدي: متالورژي پودر، حد استحكام خستگي، شبكه عصبيFFNN ، الگوريتم آموزش
