بهینه سازی اثر ضرایب مختلف اصطکاک بر روی شکل دهی کشش عمیق هیدروفرمینگ ورق فلزی به روش شبکه عصبی
Publish Year: 1388
Type: Conference paper
Language: Persian
View: 1,653
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ICME10_330
Index date: 20 November 2009
بهینه سازی اثر ضرایب مختلف اصطکاک بر روی شکل دهی کشش عمیق هیدروفرمینگ ورق فلزی به روش شبکه عصبی abstract
یکی از مسائل مهم در شکل دهی کشش عمیق به روش هیدروفرمینگ جلوگیری از پارگی ورق است که اگرفشار اولیه (فشار سیال در لحظه اولیه تماس پانچ با ورق) و فشار ثانویه (فشار نهایی سیال در لحظه اتمام شکل دهی) بطور مناسب تعیین شوند می توان از پارگی و چین خوردگی در ورق جلوگیری کرد . همچنین در این عملیات می توان به ورق هایی با نسبت کشش بالاتر نسبت به عملیات کشش عمیق معمولی دست پیدا کرد. در این مقاله با در نظر گرفتن فرضیاتی همچون هموژن بودن جنس ورق، حاکم بودن تنش صفحه ای، استوانه ای بودن پانچ، استفاده از معیار تسلیم هیل جهت اعمال ضرایب ناهمسانگردی، در نظر گرفتن ورق گیر، ماتریس و سنبه به صورت صلب گسسته و بدون تغییر شکل به مدلسازی المان محدود مسئله شکل دهی به روش هیدروفرمینگ می پردازیم و سپس با تغییر ضرایب مختلف اصطکاک ورق با ورق گیر، ورق با پانچ و ورق با ماتریس از روش المان محدود مسئله را جهت رسیدن به یک شکل دهی سالم حل می نماییم. از خروجی های روش المان محدود جهت آموزش شبکه عصبی استفاده می گردد و در نهایت به بررسی اولویت تاثیر ضرایب مختلف اصطکاک می پردازیم.
بهینه سازی اثر ضرایب مختلف اصطکاک بر روی شکل دهی کشش عمیق هیدروفرمینگ ورق فلزی به روش شبکه عصبی Keywords:
هیدروفرمینگ - شکل دهی - کشش عمیق - ضریب اصطکاک - شبکه عصبی
بهینه سازی اثر ضرایب مختلف اصطکاک بر روی شکل دهی کشش عمیق هیدروفرمینگ ورق فلزی به روش شبکه عصبی authors
مهدی گرشاسبی
دانشجوی کارشناسی ارشد، دانشکده مهندسی و فناوریهای نوین، دانشگاه صنایع و معادن ایران
عباس رهی
استادیار، دانشکده مهندسی و فناوریهای نوین ، دانشگاه صنایع و معادن ایران
عبدالحسین جلالی
استادیار، دانشکده مهندسی و فناوریهای نوین ، دانشگاه صنایع و معادن ایران
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 :