جستجو در:
دوره 13، شماره 13 - ( ويژه‌نامه اول 1392 )
جلد 13 شماره 13 صفحات 32-26 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
shokuhfar A, ghorbanpoor S, nasiri S, zolriasatein A, ajafari A A. Prediction of hardness in Al-Al2O3 nanocomposite using artificial neural network with alternation in effective parameters of mechanical alloying method. Modares Mechanical Engineering 2014; 13 (13) :26-32
URL: http://mme.modares.ac.ir/article-15-5928-fa.html
URL: http://mme.modares.ac.ir/article-15-5928-fa.html
شکوه فر علی، قربان پور سعیده، نصیری خلیل آباد سجاد، ذوالریاستین اشکان، جعفری علی اصغر. پیش بینی سختی در نانو کامپوزیت‌های Al-Al2O3 با استفاده از شبکه عصبی مصنوعی با تغییر عوامل موثر در روش آلیاژسازی مکانیکی. مهندسی مکانیک مدرس. 1392; 13 (13) :26-32
1- دانشگاه صنعتی خواجه نصیرالدین طوسی
2- دانشکده مکانیک، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران
3- دانشکده مهندسی مواد، دانشگاه صنعتی سهند، تبریز
2- دانشکده مکانیک، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران
3- دانشکده مهندسی مواد، دانشگاه صنعتی سهند، تبریز
چکیده: (6513 مشاهده)
در این پژوهش یک شبکه عصبی پیشرو با الگوریتم پس انتشار خطا، برای پیش بینی سختی نانوکامپوزیت های پایه آلومینیوم با تقویت کننده آلومینا، که به روش آلیاژسازی مکانیکی و پرس گرم تولید شده بودند، با استفاده از داده های موجود طراحی شد. درصد حجمی تقویت کننده، اندازه ذرات تقویت کننده نانومتری، نیروی وارد شده در آزمون سختی ویکرز؛ همچنین عوامل موثر بر فرآیند آلیاژسازی مکانیکی مانند زمان آسیاب کاری، نسبت وزنی گلوله به پودر و سرعت آسیاب به عنوان متغیرهای ورودی شبکه و عدد سختی ویکرز به عنوان متغیر خروجی شبکه درنظر گرفته شدند. عوامل موثر در آموزش شبکه مانند نرخ آموزش، تعداد لایه های پنهان و تعداد نرون های لایه های پنهان؛ با سعی و خطا تعیین شدند. برای بررسی عملکرد شبکه، از نمودارهای رگرسیون در مراحل آموزش، صحت سنجی و تست؛ و همچنین از میانگین مربعات خطا استفاده شد. شبکه عصبی طراحی شده قادر است سختی ویکرز داده های تست را با میانگین خطای 2.67 درصد یا 2.25 ویکرز پیش بینی نماید. همچنین میانگین مربعات خطا در مرحله صحت سنجی 7.76 بود. با استفاده از شبکه عصبی طراحی شده، سختی ویکرز نانو کامپوزیت آلومینیوم-آلومینا، بدون نیاز به کارهای آزمایشگاهی پرهزینه، قابل پیش بینی می باشد.
واژه‌های کلیدی: نانوکامپوزیت زمینه آلومینیومی، میکرو سختی ویکرز، آلیاژسازی مکانیکی، شبکه عصبی مصنوعی
نوع مقاله: مقاله پژوهشی کامل |
موضوع مقاله:
روشهای ساخت|سیستمهای میکرو و نانو|شناسایی، آنالیز و انتخاب مواد|مواد مرکب
دریافت: 1392/4/11 | پذیرش: 1392/5/3 | انتشار: 1392/12/1
دریافت: 1392/4/11 | پذیرش: 1392/5/3 | انتشار: 1392/12/1
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |