دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 20 8 2020 07 22 The Correlation between Microstructure Features and Tensile Properties of Ti-6Al-4V Alloy Using Artificial Neuron Networks ارتباط بین ویژگی‌های ریزساختاری و خواص کششی در آلیاژ Ti-6Al-4V با استفاده از شبکه عصبی مصنوعی 2017 2027 11030 FA علیرضا فلاحی آرزودار گروه ساخت و تولید، دانشکده مهندسی مکانیک، دانشگاه صنعتی امیرکبیر، تهران، ایران مصطفی آسمانی گروه ساخت و تولید، دانشکده مهندسی مکانیک، دانشگاه صنعتی امیرکبیر، تهران، ایران Journal Article 1970 01 01 The present study investigates the inﬂuence of three different microstructure features including volume fraction of α phase (A), thickness of α phase (B), and aspect ratio of primary α (C) on tensile properties of Ti-6Al-4V alloy, by response surface methodology with central composite design (CCD). The experimental data required for the design of experiment (DOE) and analysis of variance (ANOVA) is predicted using the artificial neural network (ANN). First using the experimental data of other researchers, the ANN with two hidden layers by the error propagation algorithm was trained. The main objective of this study is to compare the two feedforward and feedback neural networks in as well as examine the influence of microstructure on the mechanical properties of the Ti-6Al-4V alloy. The results showed that the feedback neural network has higher accuracy than the feedforward neural network to predict the values of yield strength and elongation. Besides, according to ANOVA and response surface method, C, B2, AB2, and A2C factors and A, C, B2, BC, and A2B factors have more significant effects on yield strength and elongation in Ti-6Al-4V alloy, respectively. در مطالعه حاضر، تأثیر سه پارامتر ریزساختاری ازجمله کسر حجمی فاز α (A)، ضخامت لایه α (B) و نسبت ابعادی فاز α اولیه (C) بر روی استحکام تسلیم و ازدیاد طول در آلیاژ Ti-۶Al-۴V با استفاده از روش رویه پاسخ با طرح مرکب مرکزی مورد بررسی قرار گرفت. داده‌های مورد نیاز برای طراحی آزمایش و تحلیل واریانس از طریق شبکه عصبی مصنوعی، پیش‌بینی شدند. به این منظور ابتدا با استفاده از داده‌های تجربی سایر محققین شبکه عصبی مصنوعی با دو لایه پنهان توسط الگوریتم پس انتشار خطا تعلیم داده شد. هدف اصلی این مطالعه مقایسه قابلیت پیش‌بینی دو شبکه پیش‌خور و پس‌خور و همچنین بررسی چگونگی تأثیر ویژگی‌های ریزساختاری بر خواص مکانیکی آلیاژ Ti-۶Al-۴V است. نتایج نشان داد که شبکه عصبی پس‌خور نسبت به شبکه پیش‌خور به‌ازای پارامترهای ورودی توانایی پیش‌بینی مناسب و دقیق‌تری از مقادیر استحکام تسلیم و ازدیاد طول آلیاژ Ti-۶Al-۴V دارد. همچنین از تحلیل واریانس و تکنیک رویه پاسخ مشخص شد، عناصر مرتبه اول و دوم C، B۲، AB۲ و A۲C به‌علاوه عناصر A، C، B۲، BC و A۲B به ترتیب از موثرترین فاکتورهای تأثیرگذار بر تعریف رفتار استحکام تسلیم و ازدیاد طول آلیاژ Ti-۶Al-۴V هستند.

https://mme.modares.ac.ir/article_11030_11a32152b03a749d6bfcc5865300518e.pdf