RT - Journal Article T1 - Modeling and optimizing lapping process of 440C steel by Neural Network and Multi-objective particle swarm optimization algorithm JF - mdrsjrns YR - 2017 JO - mdrsjrns VO - 17 IS - 8 UR - http://mme.modares.ac.ir/article-15-12097-fa.html SP - 201 EP - 212 K1 - Lapping K1 - Multi-Objective Particle Swarm Optimization K1 - Surface roughness K1 - Material Removal Rate K1 - Flatness AB - مهم‌ترین مشکل در فرآیند لپنکاری، پایین بودن نرخ برداشت ماده است که سبب افزایش هزینه و زمان تولید می گردد. بنابراین در فرآیند لپنکاری، انتخاب شرایطی که بتواند علاوه بر تولید قطعاتی با عدم تختی و زبری سطح موردنیاز، نرخ برداشت ماده بالایی نیز داشته باشد بسیار مهم و ضروری است. در این تحقیق در فرآیند لپنکاری تخت یک طرفه، اثر پارامترهای اندازه ذرات ساینده، درصد وزنی ذرات ساینده در دوغاب لپنکاری و فشار لپنکاری بر نرخ برداشت ماده، عدم تختی و زبری سطح قطعاتی از جنس فولاد 440c به روش تجربی (آزمایشگاهی) مورد بررسی قرار گرفته است. در ادامه توسط شبکه عصبی مصنوعی، اثر پارامترهای مذکور بر نرخ برداشت ماده، عدم تختی و زبری سطح قطعات لپنکاری شده، مدلسازی شده و در نهایت با استفاده از الگوریتم بهینه سازی چندهدفه ازدحام ذرات به بهینه سازی هم‌زمان نرخ برداشت ماده، زبری سطح و تختی قطعات لپنکاری شده پرداخته و جبهه پارتو مربوطه، بدست آورده شده است. نتایج به‌دست‌آمده نشان می دهند که با استفاده از الگوریتم بهینه سازی چندهدفه ازدحام ذرات می توان قطعاتی با زبری سطح و تختی مورد نیاز را با نرخ برداشت ماده بالا تولید کرد. درنتیجه با استفاده از این روش علاوه بر ایجاد قطعاتی باکیفیت مطلوب، هزینه و زمان تولید نیز کاهش می یابد. LA eng UL http://mme.modares.ac.ir/article-15-12097-fa.html M3 ER -