توضیحات
چکیده
امروزه آلياژهاي تيتانيوم به علت دارا بودن مجموعه اي از خواص منحصر به فرد نظير نظير دانسيته پايين ، نسبت استحکام به وزن بالا ، مقاومت به خوردگی و مقاومت به سايش بالا در صنايع مختلفي مانند هوافضا، كاغذسازي، خودروسازي و ديگر صنايع كاربرد داشته و بسيار مورد توجه است. عمدتا در اين نوع آلياژها فاز زمينه αبا ساختار hcpو فاز βبا ساختار bccتشکيل دهنده ريز ساختار آلياژ مذکور ميباشد که بسته به درصد نسبی اين دو فاز نوع کاربری آنها نيز در صنايع مختلف دستخوش تغييرات اساسی ميشود . در اين تحقيق از روش شبكه هاي عصبي مصنوعي (Neural Network (FFNN Feed Forwardبا قانون آموزش (Back Propagation (BPكه از شاخه هاي جديد هوش مصنوعي Artificial Intelligenceاست براي تخمين جامع مقدار فاز βاستفاده شده است . در اين شبکه ترکيب شيميائی آلياژ که شامل عناصر مختلف آلياژی نظير Al,V,Fe,Oو دمای عمليات حرارتی به عنوان ورودی ودرصد حجمی فاز βبه عنوان خروجی مورد بررسی و مطالعه قرار گرفته است . مقايسه بين مقادير پيشبينی شده توسط شبکه طراحی شده در اين تحقيق و مقادير تجربی دلالت بر کارا بودن اين مدل دراين نوع آلياژها دارد که در اين پژوهش به تفصيل ارائه شده است.
مقدمه
امروزه آلياژهای تيتانيوم به علت دارا بودن مجموعه اي از خواص ويـژه و منحـصر بـه فرد نظيردانـسيته پايين ، نسبت استحکام به زن بالا ، مقاومت خوردگی مناسب , مقاومت به خـزش و اکـسيداسيون در دمای بالا و خواص منحصر به فرد ديگر بطور گـسترده در صـنايع مختلـف از جملـه هـوا فـضا, كاغـذ سازي و خودروسازی بكار گرفته مي شود. معمولا آلياژهای تيتانيوم بکار بـرده شـده در صـنايع ذكـر شده انواع آلياژهای β+αاست. اين آلياژها از دو فاز اصلی αبـا سـاختار hcpو βبـا سـاختار bcc تشکيل ده است. درصد نسبی و مرفولژی هر يك از اين فازها بطور مستقيم بر خواص نهـائی آن اثـر می گذارد، بنابراين آگاهی از پارامترهايي که بر روی درصد اين فازها اثر ميگذارد بسيار مهـم و قابـل توجه است .پارامترهاي مهمي که بر روی ميـزان درصـد و مرفـولژی ايـن فازهـا اثـر ميگـذارد شـامل ترکيب شيميائی آلياژ و پارامترهای عمليات حرارتی مي باشد. چنانچه بخواهيم اثر تک تک اين عوامل رابه كمك انجام آزمايـشات تجربـی بررسـی کنـيم نيازمنـد صرف وقت و هزينه زيادی هستيم که اين کار از ديد اقتصادی مقرون به صرفه نبوده، بنابراين همـواره به دنبال راهکارهائی برای غلبه براين مشکل هستيم. راهكار بكارگرفته شده در اين تحقيـق اسـتفاده از مدل شبكه هاي عصبي مصنوعي 1مي باشد كه بر پايه هوش مصنوعی بوده و از روی عملکـرد سيـستم مغز و اعصاب بدن انسان الگو برداری شده است .در ابتدای پيدايش اين مدل از آن برای کاربردهـائی نظير کنترل سيگنال،پردازش چهره و تشخيص الگو استفاده می شده .
ABSTRACT
Today, Titanium alloys have been used for a variety of unique properties such as low density, high strength, high corrosion resistance and abrasion resistance in various industries such as aerospace, papermaking, automotive and other industries. Attention is In this type of alloys, the phase phase α with the structure of hcp and β phase with the structure of the bcc is the microstructure of the alloy, which, depending on the relative percentages of these two phases, is undergoing fundamental changes in various industries. In this study, the artificial neural network (FFNN Feed Forward with Back Propagation (BP), a new branch of Artificial Intelligence, is used to estimate the total amount of β phase. In this network, the chemical composition of the alloy, which contains various elements Alloys such as Al, V, Fe, O and thermal operation temperatures as inputs and volumes of β phase as output have been investigated. A comparison between the predicted values by the network designed in this study and the experimental values indicate that this model is efficient This type of alloys is detailed in this study.
INTRODUCTION
Today, titanium alloys are widely used in various industries, due to their unique properties such as low density, high strength to high strength, good corrosion resistance, creep resistance and oxidation at high temperatures and unique properties. Aerospace, Papermaking and Automotive. Typical titanium alloys used in these industries are β + α alloys. These alloys consist of two main α phases with structure hcp and β with structure of bcc. The relative percentages and the morphology of each of these phases directly affect its final properties, so the awareness of the parameters affecting the percentage of these phases is very important and significant. The important parameters that affect the percentage and morphology of these phases are the effect It contains the chemical composition of the alloy and the parameters of the heat treatment. If we want to examine the effect of each of these factors through empirical experiments, we need a lot of time and money, which is not economically feasible, so we are always looking for solutions to overcome this problem. The method used in this study is to use Artificial Neural Network Model (ARI) based on artificial intelligence and has been modeled on the function of the human nervous system. At the beginning of this model, it was used for applications such as signal control, processing Face and pattern recognition are used.
Year: 2017
Publisher : 11th National Congress of metallurgy of Iran
By : Mehdi Arjmandi Behzad, Seyyed Hossein Sadaty, Hamid Khorsand, Hasan Abdous
File Information: persian Language/ 11 Page / size: 221 KB
سال : 1396
ناشر : يازدهمين كنگره ملي مهندسين متالورژی ايران
کاری از : مهدي ارجمندي بهزاد , سيد حسين ساداتي ,حميد خرسند ,حسن عبدوس
اطلاعات فایل : زبان فارسی / 11 صفحه / حجم : KB 221
نقد و بررسیها
هنوز بررسیای ثبت نشده است.