جستجو در:
دوره 19، شماره 10 - ( مهر 1398 )
جلد 19 شماره 10 صفحات 2462-2455 |
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:
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
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
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
2- دانشکده مهندسی مکانیک، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران ،
چکیده: (3495 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.
واژه‌های کلیدی: برشکاری پلاسما
شبکه عصبی
عرض برش
منطقه متأثر از حرارت
زبری سطح
نوع مقاله: پژوهشی اصیل |
موضوع مقاله:
شکل‌دهی حجمی فلزات
دریافت: 1397/3/2 | پذیرش: 1397/12/4 | انتشار: 1398/7/30
دریافت: 1397/3/2 | پذیرش: 1397/12/4 | انتشار: 1398/7/30
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |