تخمین انرژی انتشار ترک قطعات به روش هوش مصنوعی در جوشکاری زیرپودری فولادهای ساختمانی
Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 646
This Paper With 6 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:
شناسه ملی سند علمی:
ICME12_169
تاریخ نمایه سازی: 25 شهریور 1392
Abstract:
روشهای نوین جوشکاری را می توان به عنوان یکی از اصلی ترین عوامل پیشرفت کیفیت اتصالات در نظر گرفت. در این میان جوشکاری زیر پودری فرایندیاست که نقش چشمگیری در اتصالات سازه های سنگین نظیرپلها، مخازن تحت فشار و توربین های بادی ایفا می کند. ازسویی بیش از هشتاد درصد شکست سازه ها ناشی از شکستهای ناگهانی می باشد که منشا آن انتشار ترک است، لذا افزایش انرژی انتشار ترک در اتصالات صورت گرفته و پیش بینی آن قبل از انجام فرایند از جمله مواردیست که همواره ذهن طراحان و سازندگان سازه های سنگین را به خود مشغول کرده است. در این تحقیق نمونه هایی از جنس فولاد ساختمانی تحت شرایط مختلف نظیر شدت جریان، سرعت پیشروی و فاصله نوک نازل جوشکاری شده و مقدار انرژی انتشار ترک به صورت عملی به کمک دستگاه تست کشش اندازه گیری شد. در مرحله بعد با استفاده از این اطلاعات تجربی، یک سیستم هوش مصنوعی از نوع شبکه های عصبی در نرم افزار مطلب مدلسازی و آموزش داده شد که ورودی های آن پارامترهای تنظیمی جوشکاری زیرپودری و خروجی آن انرژی انتشار ترک اتصال است. هدف از این سیستم هوشمند فراهم نمودن امکان پیش بینی انرژی انتشار ترک در اتصال، پیش از انجام فرآیند و با معلوم بودن پارامترهای مختلف ورودی است. این سیستم هوشمند بعد از آموزش، آزمایش شد. نتایج کار نشان داد که با استفاده از شبکه عصبی با دقت بسیار بالائی می توان انرژی انتشار ترک را قبل از انجام جوشکاری تخمین زد.
Keywords:
Authors
امیر مصطفی پور
استادیار دانشکده مهندسی مکانیک، دانشگاه تبریز
غلامرضا مرامی
کارشناس ارشد، دانشکده مهندسی مکانیک، دانشگاه تبریز
سید جواد اعرج خدایی
کارشناس، دانشکده مهندسی مکانیک،دانشگاه تبریز
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 :