تخمین سختی در فرایندهای مختلف عملیات حرارتی برای آلیاژ آلومینیوم با کمک شبکه عصبی مصنوعی و آنالیز رگرسیون

در این پژوهش، سختی آلیاژ آلومینیوم سرسیلندر طب فرایندهای مختلف عملیات حرارتی، با کمک شبکه عصبی مصنوعی و آنالیز رگرسیون (به روش فاکتوریل)، مدلسازی گردید. برای این منظور، آزمایش سختی سنجی در سه سطح بر روی نمونه ها اجرا شد. فرایندهای عملیات حرارتی T6 قطعه سرسیلندر شامل یک مرحله همگن سازی در دمای 490 درجه سانتیگراد به مدت 5 ساعت و سپس، فرایند کوینچ در سه محیط هوا و آب 25 و 95 درجه سانتیگراد و فرایند پیرسازی در دماهای 180، 200 و 220 درجه سانتیگراد به مدت 1، 3 و 5 ساعت انجام شد. نتایج آنالیز رگرسیون به روش فاکتوریل نشان داد که موثرترین پارامتر، محیط کوینچ است. در این تحقیق، از شبکه پرسپترون چندلایه با الگوریتم یادگیری پس انتشار و توابع غیرخطی تانژانت سیگموئیدی و سیگموئید لگاریتمی برای مدلسازی سختی ماده نیز، استفاده شد. تعداد نورون های ورودی شبکه برابر سه متغیر در ورودی (محیط کوینچ، زمان و دمای پیرسازی) و خروجی شبکه میزان سختی نمونه می باشد. بهترین توپولوژی از شبکه پرسپترون چندلایه با الگوریتم یادگیری پس انتشار و تابع آستانه تانسیگ، 1-10-15-3 با ضریب همبستگی 0/98733 و خطای 4/9815 بود. علاوه بر این، بهترین توپولوژی از شبکه فوق و تابع آستانه لاگسیگ، 1-15-15-3 با ضریب همبستگی 0/98891 و خطای 5/0893 بود.

Keywords:

تخمین سختی , آلیاژ آلومینیوم سرسیلندر , عملیات حرارتی , شبکه عصبی , آنالیز رگرسیون