معرفی مدلی برای تخمین کیفیت قطعات فلزی با استفاده از شبکة عصبی و الگوریتم تکاملی فاخته

نوع مقاله : علمی ترویجی

نویسندگان

1 استادیار دانشکدة ریاضی و علوم کامپیوتر، گروه علوم کامپیوتر، دانشگاه شهید بهشتی، تهران

2 دانشجوی کارشناسی ارشد، دانشکدة ریاضی و علوم کامپیوتر، گروه علوم کامپیوتر، دانشگاه شهید بهشتی، تهران

3 عضو هیئت علمی دانشگاه آزاد اسلامی، واحد شیروان، شیروان

چکیده

معمولاً برای افزایش کیفیت قطعات پیشنهاد می‌شود خواص فیزیکی آنها، همچون استحکام کششی، چقرمگی، سختی و جز این‌ها، در حین فرایند تولید یا پس از آن ارزیابی شود. این در حالی است که اندازه‌گیری‌های مخرب در غالب موارد پرهزینه‌اند؛ بنابراین استفاده از روش‌های غیرمخرب برای ارزیابی خواص فیزیکی مواد، خصوصاً در خطوط تولید، امری منطقی به‌نظر می‌رسد. سختی مواد از جمله پارامترهایی است که به‌کمک آن می‌توان ریزساختار ماده همچون اندازة دانه، نوع و مقدار فاز و پارامترهای دیگر را در حین تولید حدس زد. در این مقاله سعی شده است با استفاده از روش‌های هوش مصنوعی، سختی قطعات با استفاده از امواج فراصوتی تخمین زده و پیش‌بینی شود. برای این منظور از نمونه‌های فولاد ضد زنگ سی. 304[i]، که با تغییر دما و زمان عملیات آنیل ریزساختار متفاوتی پیدا کرده، استفاده شده است. این مقاله درپی مدلی مطلوب برای تخمین سختی و استهلاک است. روش مورد استفاده در این پژوهش شبکة عصبی است. شبکة عصبی مورد نظر با استفاده از الگوریتم تکاملی فاخته بهبود بهبود یافته و ترکیب شده است. نتایج مدل ترکیبی ارائه‌شده rmse=0.1523  و r2=0.98 است. نتایج مدل مذکور نشان‌دهندة مناسب‌بودن آن برای تخمین و پیش‌بینی کیفیت قطعات می‌باشد.



[i]. C 304

کلیدواژه‌ها


[1] راج بالدو، سی. وی. سوبرامانیان، تی جایا کومار، اصول و کاربرد تست‌های غیرمخرب در جوشکاری، مترجم مجید مصلی، تهران: طراح. 1389.
[2] م. منهاج، هوش محاسباتی (جلد اول): مبانیشبکه‌های عصبی، تهران: مرکز نشر دانشگاه صنعتی امیرکبیر، 1388.
[3] Zelmann, Ultrasonic methods to detect and evaluate damage in steel, Nondestructive Testing Evaluation, Vol. 15, pp. 373–93, 2000.
[4] P. P. Nanekar, B. K. Shah, Characterization of metal properties by ultrasonics, BARC Newsletter, No. 249, pp. 25-38.
[5] E. P. Papadakis, Ultrasonic velocity and attenuation: measurement methods with scientific and industrial applications, Physical Acoustics: Principles and Methods Volume XII, pp. 277-374, Academic Press, New York, 1976.
[6] A. S. Briks, R. E. Jr Green, Nondestructive Testing Handbook, American Society for Nondestructive Testing, 1991.
[7] P. P. Nanekar, et.al, non-destructive characterization of ceramics and concrete structure, Testing and Quality Control, conducted by ASM India Section, May 2001, Mumbai.
[8] P. P. Nanekar, Ultrasonic characterization of Precipitation Hardenable 17-4 PH Stainless Steel, Proc. of 47th Annual technical meeting of Indian Institute of Metals, Hyderabad, Nov. 93.
[9] V. Rajendran, N. Palanivelu, B. K. Chaudhuri, “A device for the measurement of ultrasonic velocity and attenuation in solid materials under different thermal conditions, Measurement, Vol. 38, pp. 248–25, 2005.
[10] H. Shakouri, M. B. Menhaj, A single fuzzy rule to smooth the sharpness of mixed data: Timeand frequency domains analysis, Fuzzy Sets & Systems (FSS), No. 159, pp. 2446–2465, 2008.
 [11] C. H. Li, B. X. Wang, X. F. Peng, Experimental investigation on boiling of nano-particle suspension, Boiling Heat Transfer Conference, Jamaica, May 2003.
[12] F. Sgarro, Entropy and Information in the Management of the Uncertainty, Capitolo http://mathsun1.univ.trieste.it/~sgarro/research.html, pp. 12, 2000 (Italian).
[13] I. B. Topcu, M. Saridemir, Prediction of Compressive Strength of Concrete Containing Fly Ash Using Artificial Neural Networks and Fuzzy Logic, Computational Materials Science, Vol. 41, No. 3, pp. 305-311, 2008.
[14] I. B. Topcu, C. Karakurt, M. Sarıdemir, Predicting the Strength Development of Cements Produced with Different Pozzolans by Neural Network and Fuzzy Logic, Materials & Design, Vol. 29, No. 10, pp. 1986- 1991, 2008.
[15] INCE, R., Artificial Neural Network Based Analysis of Effective Crack Model in Concrete Fracture, Fatigue & Fracture Engineering Materials & Structures, Vol. 33, No. 9, pp. 595-606, 2010.
[16] R. Rajabioun, Cuckoo Optimization Algorithm, Applied Soft Computing, Vol. 11, No. 8) pp. 5508–5518, 2011.