دوره 19، شماره 10 - ( مهر 1398 )                   جلد 19 شماره 10 صفحات 2462-2455 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mirabdolahi M, Abootorabi M. Optimization and Modeling of Plasma Cutting of AISI 309 Stainless Steel by Using Neural Network-Genetic Algorithm Hybrid Model. Modares Mechanical Engineering 2019; 19 (10) :2455-2462
URL: http://mme.modares.ac.ir/article-15-21225-fa.html
میرعبداللهی سیدمصطفی، ابوترابی محمدمهدی. بهینه‌سازی و مدل‌سازی برشکاری پلاسما فولاد ضد زنگ ۳۰۹AISI به کمک مدل ترکیبی شبکه عصبی- الگوریتم ژنتیک. مهندسی مکانیک مدرس. 1398; 19 (10) :2455-2462

URL: http://mme.modares.ac.ir/article-15-21225-fa.html


1- گروه مهندسی مکانیک، دانشکده فنی و مهندسی، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
2- دانشکده مهندسی مکانیک، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران ، abootorabi@yazd.ac.ir
چکیده:   (2779 مشاهده)
در برش پلاسما، یک گاز نجیب با سرعت بالا از نازل دمیده می‌شود و به کمک یک جرقه فرکانسی ولتاژ بالا، گاز در سر مشعل یونیزه شده و قوس الکتریکی ایجاد می‌شود. سپس گاز به حالت پلاسما تبدیل می‌شود که فرآیندی ایده‌آل برای برشکاری فلزات سخت است. در این تحقیق، بهینه‌سازی و مطالعه اثر پارامترهای مؤثر در فرآیند برشکاری پلاسما فولاد ضدزنگ ۳۰۹AISI مورد بررسی قرار گرفت. با انجام آزمایش‌های تجربی، تأثیر پارامترهای ورودی شامل شدت جریان، فشار گاز و سرعت حرکت مشعل روی ۳ پارامتر خروجی شامل اندازه عرض برش، منطقه متأثر از حرارت و زبری سطح بررسی شد. تحلیل نتایج نشان داد که شدت جریان، سرعت پیشروی و فشار گاز به ترتیب بیشترین اثر را روی پارامترهای خروجی دارند. از شبکه عصبی مصنوعی (ANN) و الگوریتم ژنتیک برای پیش‌بینی و بهینه‌سازی پارامترهای خروجی استفاده شد. نتایج به‌دست‌آمده نشان می‌دهد مدل شبکه عصبی دقت مناسبی برای پیش‌بینی پارامترهای خروجی دارد. بهینه‌سازی پارامترها برای دستیابی به بهترین شرایط برشکاری با استفاده از روش الگوریتم ژنتیک انجام گرفت. مدل شبکه عصبی به‌عنوان تابع هدف و زبری سطح، اندازه شکاف و منطقه متأثر از حرارت به‌عنوان ورودی الگوریتم ژنتیک معرفی شدند. نتایج به‌دست‌آمده نشان می‌دهند که ترکیب شبکه عصبی- الگوریتم ژنتیک یک روش کارآمد برای بهینه‌سازی فرآیند برشکاری پلاسما است. این روش می‌تواند برای دیگر فرآیندهای برشی پیشرفته نیز اصلاح و به کار گرفته شود.

متن کامل [PDF 1301 kb]   (2056 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: شکل‌دهی حجمی فلزات
دریافت: 1397/3/2 | پذیرش: 1397/12/4 | انتشار: 1398/7/30

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.