بهینه نمودن کارایی شبکه عصبی مصنوعی برای پیش بینی خواص کششی Al-۵۰۸۳ اتصال داده شده توسط فرایند FSW
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 47
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSTI-9-2_008
تاریخ نمایه سازی: 4 بهمن 1402
Abstract:
در این تحقیق، بهینه سازی قابلیت شبکه عصبی مصنوعی (ANN) به منظور پیش بینی استحکام کششی و ازدیاد طول نسبی اتصالات ایجاد شده بر Al-۵۰۸۳ توسط فرایند جوشکاری همزنی اصطکاکی (FSW) مورد بررسی قرار گرفت. بدین منظور با تغییر پارامترهای موثر بر کارایی ANN از قبیل تعداد لایه ها و تعداد نورون های لایه های مخفی، نوع تابع انتقال بین لایه ها، الگوریتم یادگیری و غیره، شبکه عصبی کارآمد برای پیش بینی خواص کششی اتصالات FSWed-Al-۵۰۸۳ تعیین گردید. بررسی های انجام شده آشکار نمود که شبکه عصبی پرسپترون با دو لایه پنهان و تعداد ۱۷ نورون، الگوریتم آموزش لونبرگ-مارکوارت و تابع انتقال Logsig برای لایه های میانی و تابع تبدیل Tansig برای لایه خروجی، کارآمدترین شبکه عصبی برای پیش بینی مورد نظر است. شبکه مذکور دارای ساختار بهینه براساس کمینه مقدار خطای میانگین مربعات ۰۵/۰، بیشینه ضریب همبستگی کل ۹۳/۰ و رگرسیون خط با زاویه ۴۵ درجه بین مقادیر واقعی و پیش بینی شده می باشد. در نتیجه این شبکه از کارایی مطلوبی برای آموزش، تعمیم و برآورد استحکام کششی و ازدیاد طول نسبی Al-۵۰۸۳ اتصال FSW داده شده برخوردار است.
Keywords:
Al-۵۰۸۳ , FSW , Strength , Rotation speed , Traverse speed , artificial neural network. , Al-۵۰۸۳ , FSW , استحکام , سرعت چرخش , سرعت پیش روی , شبکه عصبی مصنوعی.
Authors
مسعود مصلایی
Departemnt of Mining and Metallurgy, Faculty of Engineering, Yazd University, Iran.
امین حسین مرشدی
Departemnt of Mining and Metallurgy, Faculty of Engineering, Yazd University, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :