استفاده از الگوریتم های ژنتیکی در بهینه سازی استحکام فولاد زنگ نزن 304

Publish Year: 1383
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,554

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CIMS08_023

تاریخ نمایه سازی: 21 آذر 1385

Abstract:

در این پژوهش بررسی هایی در مورد تأثیر دما، نرخ کرنش و میزان کرنش اعمالی برای به دسـت آوردن بـالاترین تنش سیلان فولاد زنگ نزن 304 انجام گرفته است . برای این منظور از ترکیب شبکه عـصبی و الگـوریتم ژنت یـک برای بهینه کردن استحکام این نوع فولاد استفاده شد . برای این کار ابتدا بهترین شبکه عصبی برای این نـوع فـولاد به دست آمده و با کمک شبکه مذکور تقریب تابع با دقت مطلوب برای بیان ارتباط میان خروجی با ورودی ها بـه دست آمد . سپس با مدل الگوریتم ژنتیکی از ترکیب پار امترهای ورودی، برای به دست آوردن مجموعـه ای کـه به ازای آن بیشترین استحکام به دست می آید، استفاده گردید . نتایج حاکی از آن است که با ترکیب شبکه عصبی و الگوریتم ژنتیک می توان بهترین دسته از شرایط کاری را برای به دست آوردن بیـشترین سـتحکام در ایـن نـوع فولاد به دست آورد .

Keywords:

فولاد زنگ نزن 304 , تنش سیلان , الگوریتم ژنتیک

Authors

سیدهاشم موسوی انیجدان

دانشجوی کارشناسی ارشد دانشکده مهندسی وعلم مواد، دانشگاه صنعتی شریف،

عباس بهرامی

دانشیار دانشکده مهندسی مواد، دانشگاه صنعتی امیرکبیر

جمشید آقازاده

دانشیار دانشکده مهندسی مواد، دانشگاه صنعتی امیرکبیر

علی شفیعی

استادیار دانشکده مهندسی مواد، دانشگاه صنعتی اصفهان،

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 :
  • سید هاشم موسوی انیجدان، عباس بهرامی و همکاران، پیش بینی ...
  • (C)ادما کرنش نرخ کرنش (s') تنش _ (MPa)سیلان ا 368 ...
  • M. G.Cockroft, Lugtility, ASM, Cleveland, OH, (1968): 199. ...
  • S.P.Timothy, ،{Structure of adiabatic shear bands in metals: A critical ...
  • Volker Wiess, ،، Inhomo genity of Plastic Deformation?, ASM , ...
  • F.N.Rhines, ،، Inhomo genity of Plastic Deformation?, ASM, Metal Park ...
  • S.L.Semiatin and G.D.Lahoti _، Deformation and unstable flow in hot ...
  • Al-2 Sn-4Zr-2Mo -0 _ 1Si?, Metal Trans.A, 12A (1981): 1705-1717. ...
  • S.L.Semiatin, J.J.Jonas, *Formability and workability of metals: plastic instability and ...
  • R.G. Song, Q .Z.Zhang et al, ،The application of artificial ...
  • R.G. Song, Q .Z.Zhang, ،2Heat treatment optimization for 7175 aluminum ...
  • G. Song, Q .Z.Zhang, ،Heat treatment technique optimization for 7175 ...
  • A.J.Kulkarni, ،، Micro structural optimization of alloys using a genetic ...
  • 1- Z.Zhaochum et al, 44Calculation of thermo dynamic properties from ...
  • Y.Ikeda, 44Correlation between structure, magnetic properties and MI effect during ...
  • S.Venugopal et al, *Optimization of cold and Varm workability in ...
  • M.A.Yescas et al, ، Estimation of amount of retained austenite ...
  • L.Fu, Neural Network in Computer Intelligence _ Mc Graw-Hi _ ...
  • E.Cantu-Paz and C.Kamath, 4Evolving neural networks to identify bent-double galaxies ...
  • M.Brezocnik et al, *Modeling of forming efficiency using genetic programming ...
  • S.A.Kalogirou et al, ،Artificial intelligence for the modeling and control ...
  • S.S.Heeker et al, ،، Ro om-te mperature plastic flow and ...
  • properties and micro structure evolution of Impact"؛ 21-M.G.Sout and F ...
  • T.Angel, «formation of martensite inaustenitic stainless steels? , J.Iron Steel ...
  • L.E.Murr et al, *Comparison of residual micro structurefor 304 stainless ...
  • نمایش کامل مراجع