مدلسازی فازی ضخامت لایه در فرایند لایه‌نشانی به‌کمک لیزر پالسی و بهینه‌سازی آن با الگوریتم اجتماع ذرات

نوع مقاله: مقاله علمی ترویجی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه صنعتی بیرجند، بیرجند

2 استادیار گروه مهندسی مکانیک، دانشگاه صنعتی بیرجند، بیرجند

چکیده

امروزه آلیاژ تیتانیوم Ti-6Al-4V به‌دلیل خواص فیزیکی و مکانیکی همچون استحکام بالا، چگالی کم نسبت به فولاد، مقاومت عالی در برابر خوردگی و قابلیت جوشکاری بالا در صنعت مورد توجه قرار گرفته است. یکی از کاربردهای آلیاژ تیتانیوم Ti-6Al-4V که منجر به بهبود خواص مکانیکی قطعات فولادی می­گردد، استفاده از آن در فرایند لایه­نشانی است. در مقالة حاضر از منطق فازی برای مدلسازی فرایند لایه­نشانی به‌کمک لیزر پالسی و از الگوریتم اجتماع ذرات برای بهینه­سازی آن استفاده شده است. پارامترهای دور و زمان به‌عنوان پارامترهای ورودی فرایند و ضخامت لایة به‌وجود آمده به‌عنوان پارامتر هدف در نظر گرفته شده است. نتایج حاصل از مدل فازی و مقایسة آن با نتایج تجربی نشان از قابلیت مناسب مدل فازی پیشنهادی در پیش­بینی ضخامت لایة نشانده‌شده دارد. همچنین نتایج نشان از توانایی الگوریتم اجتماع ذرات در بهینه­سازی ضخامت لایه در فرایند لایه­نشانی به‌کمک لیزر پالسی دارد.

کلیدواژه‌ها


[1] P. Guoa, B. Zoua, C. Huanga, H. Gaoc, Study on microstructure mechanical properties and machinability of efficiently additive manufactured AISI 316L stainless steel by high-power direct laser deposition, Journal of Materials Processing Technology, Vol.240, pp.12–22, 2017.

[2] Y. Zhaia, X. Liua, S. Qiaoa, M. Wanga, X. Lua, Y. Wanga, Y. Chena, L. Yingc, Characteristics of laser clad α Ti/TiC+(Ti,W)C−x/Ti2SC+TiS composite coatings on TA2 titanium alloy, Optic & Laser Technology, Vol. 89, pp. 97-107, 2017.

[3] F. Sima, C. Ristoscu, L. Duta, O. Gallet, K. AnselmeI, N. Mihailescu, Laser thin films deposition and characterization for biomedical, applications Techniques and Applications, pp. 77–125, 2016.

[4] S. Seyed Abdolkarim, S. Farhad, G. Ali, D. Fabio, Synthesis of TiC coatingon Ti substrateusing pulsed laser deposition and mechanical milling techniques along with statistical modeling of the process by response surface methodology, Powder Technology, Vol. 305, pp.704–713, 2017.

[5] L. Alviraa, P. Cabrerac, Y. Peñaloza Mendozac, M. Martinez Riccid, F. Videlaa, Pulsed laser deposition of PbTe under monopulse and multipulse regime, Optics and Lasers in Engineering, Vol. 90, pp. 284–290, 2017.

[6] H. Kalhoria, S. Portera, A. Esmaeilya, M. Coeya, M. Ranjbar, H. Salamatib, Morphology and structural studies of WO3 films deposited on SrTiO3 by pulsed laser deposition, Applied Surface Science, Vol. 390, pp.43–49, 2016.

[7] Y. Ko, H. Kang, M. Jeong, S. Lee, J. Myoung, Ilgu YunNeural network based modeling of PL intensity in PLD-grown ZnO thin films , Journal of Materials Processing Technology, vol.159, pp.159-163, 2005.

[8] Y. uanyuan, D. Pan, L .Ma, C.Yuan, Optimizing the process efficiency of atomic layer deposition of alumina for its sustainability improvement a combined experimental and modeling study, Journal of Cleaner Production,vol.133,pp. 338-347, 2016.

[9] R. Eason, PULSED LASER DEPOSITION OF THIN FILMS, New Jersey: John Wiley, 2007.

[10] A. Eishabini-Riad, F. Barlow, Thin film Technology, Handbook. New York: McGraw-Hill, 1997.

[11] J. Bruncko, P. Sutta,  M. Netrvalova,  M. Michalka, A. Vincze, J. Kovac, Comparative study of ZnO thin film prepared by pulsed laser deposition e Comparison of influence of different, ablative lasers Vacuum, Vol. 17, 2016.

[12] A. Zadeh, Fuzzy sets, Information and control, pp. 338-353, 1965.

[13] A. Zadeh, The concept of a linguistic variable and its application to approximate reasoning, Information sciences, pp.199-249, 1975.

[14] E. Mamdani, S. Assilian, An experimental in linguistic synthesis with a fuzzy logic control, International journalof man-machine studies, pp.1-13, 1975.

[15] M. Sugeno, Industrial applications of fuzzy control, Elsevier publication co, 1985

[16] J. Kennedy, R. Eberhart, Particle swarm optimization, In: Proc. of the IEEE int, conf. on neural networks,    IEEE Press, pp.1942–8, 1995.

[17] C. Blum, Swarm intelligence in optimization. In: Blum C, Merkle D, editors. Swarm intelligence – introduction and applications, Heildelberg: Springer, pp. 43–85, 2008.

[18] V. Jr, M. Cardoso, E. Stahlschmidt, J. Particle, swarm optimization and identification of inelastic material parameters, Eng Comput: Int J ComputAided Eng Softw, vol. 30, no. 7, 36–60, 2013.

[19] P. Behdinan, K. Particle, swarm approach for structural design optimization, Comput Struct, vol .85(19), PP.1589–88, 2007.

[20] A. Kaveh, S.Talatahari, A general model for meta-heuristic algorithms using the concept of fields of forces, Acta Mech, vol. 221(1–2), pp. 99–118, 2011.

[21] A. Kaveh, S.Talatahari, Hybrid charged system search and particle swarm optimization for engineering design problems, Eng Comput, vol. 28, no. 4, pp.423–40, 2011.

[22] N. Tian, J. Sun, W. Lai, C. Estimation, of unknown heat source function in inverse heat conduction problems using quantum-behaved particle swarm optimization, Int J Heat Mass Transf, vol. 54(17–18), pp. 4110–16, 2011.

[23] S. Vakilia Gadala, M. Amodified, sequential particle swarm optimization algorithm with future time data for solving transient inverse heat conduction problems, Numer Heat Transfer, Part, vol. 59, no. 12, pp.91-33, 2011.

[24] R. Barbieri, N. Barbieri, K. Fonseca, d. Lima, Some applications of the PSO for optimization of acoustic filters, Applied Acoustics, vol. 89, pp.62–70, 2015.