مهندسی مکانیک مدرس

مهندسی مکانیک مدرس

ارتباط بین ویژگی‌های ریزساختاری و خواص کششی در آلیاژ Ti-6Al-4V با استفاده از شبکه عصبی مصنوعی

نوع مقاله : پژوهشی اصیل

نویسندگان
علیرضا فلاحی آرزودار
مصطفی آسمانی
گروه ساخت و تولید، دانشکده مهندسی مکانیک، دانشگاه صنعتی امیرکبیر، تهران، ایران
چکیده
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.
کلیدواژه‌ها
آلیاژ Ti-6Al-4V
شبکه عصبی مصنوعی
الگوریتم پس انتشار خطا
طرح مرکب مرکزی
تکنیک رویه پاسخ

موضوعات

عنوان مقاله English

The Correlation between Microstructure Features and Tensile Properties of Ti-6Al-4V Alloy Using Artificial Neuron Networks

نویسندگان English

A. Fallahi
M. Asemani
Manufacturing Department, Mechanical Engineering Faculty, Amirkabir University of Technology, Tehran, Iran
چکیده English

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.

کلیدواژه‌ها English

Ti-6Al-4V Alloys
artificial neural network
Error Propagation Algorithm
Central composite design
Response surface method
Lutjering G, Williams JC, Gysler A. Titanium. Humburg: Springer; 2000. [Link]
Lin FS, Starke EA, Chakrabortty S, Gysler A. The effect of microstructure on the deformation modes and mechanical properties of Ti-6Al-2Nb-1Ta-0.8 Mo: Part I. Widmanstätten structures. Metallurgical Transactions A. 1984;15:1873-1881. [Link] [DOI:10.1007/BF02664901]
Leyens C, Manfred P. Titanium and titanium alloys: Fundamentals and applications. Weinheim: Wiley-VCH; 2003. [Link] [DOI:10.1002/3527602119]
Shi X, Zeng W, Sun Y, Han Y, Zhao Y, Guo P. Microstructure-tensile properties correlation for the Ti-6Al-4V titanium alloy. Journal of Materials Engineering and Performance. 2015;24(4):1754-1762. [Link] [DOI:10.1007/s11665-015-1437-x]
Sun Y, Zeng W, Han Y, Zhao Y, Wang G, Dargusch MS, et al. Modeling the correlation between microstructure and the properties of the Ti-6Al-4V alloy based on an artificial neural network. Materials Science and Engineering: A. 2011;528(29-30):8757-8764. [Link] [DOI:10.1016/j.msea.2011.08.059]
Detak YP, Syarif J, Ramli R. Prediction of mechanical properties of Ti-6Al-4V using neural network. Advanced Materials Research. 2010;89-91:443-448. [Link] [DOI:10.4028/www.scientific.net/AMR.89-91.443]
Zipser D, Andersen RA. A back-propagation programmed network that simulates response properties of a subset of posterior parietal neurons. Nature. 1988;331:679-684. [Link] [DOI:10.1038/331679a0]
Chen B, Cheng XR, Hu YS, Ren Y. Application of back-propagation neural network for controlling the front end bending phenomenon in plate rolling. International Journal of Materials and Product Technology. 2013;46(2-3):166-174. [Link] [DOI:10.1504/IJMPT.2013.056298]
Menhaj MB. Fundamentals of neural networks computational intelligence vol. 1 [dissertation]. Tehran: Amirkabir university of technology publication; 2013. [Persian] [Link]
Montgomery DC, Myers RH, Anderson-Cook CM. Process and product optimization using designed experiments. New York: Wiley; 2009. [Link]
Kar S, Searles T, Lee E, Viswanathan G, Fraser H, Tiley J, et al. Modeling the tensile properties in β-processed α/β Ti alloys. Metallurgical and Materials Transactions A. 2006;37(3):559-566. [Link] [DOI:10.1007/s11661-006-0028-8]
Jaffee RI. The physical metallurgy of titanium alloys. Progress in Metal Physics. 1958;7:65-106. [Link] [DOI:10.1016/0502-8205(58)90004-2]
Lutjering G. Property optimization through microstructural control in titanium and aluminum alloys. Materials Science and Engineering: A. 1999;263(2):117-126. [Link] [DOI:10.1016/S0921-5093(98)01169-1]
Smith WF. Structure and properties of engineering alloys. New York: McGraw-Hill; 1994. [Link]
Donachie MJ. Titanium: A technical guide. Geauga: ASM international; 2000. [Link]
Filip R, Kubiak K, Ziaja W, Sieniawski J. The effect of microstructure on the mechanical properties of two-phase titanium alloys. Journal of Materials Processing Technology. 2003;133(1-2):84-89. [Link] [DOI:10.1016/S0924-0136(02)00248-0]
Lutjering G Influence of processing on microstructure and mechanical properties of (α+ β) titanium alloys. Materials Science and Engineering: A. 1998;243(1-2):32-45. [Link] [DOI:10.1016/S0921-5093(97)00778-8]
Terlinde G, Luetjering G. Influence of grain size and age-hardening on dislocation pile-ups and tensile fracture for a Ti-AI alloy. Metallurgical and Materials Transactions A. 1982;13(7):1283-1292. [Link] [DOI:10.1007/BF02645512]
Weiss I, Froes FH, Eylon D, Welsch GE. Modification of alpha morphology in Ti-6Al-4V by thermo mechanical processing. Metallurgical Transactions A. 1986;17:1935-1947. [Link] [DOI:10.1007/BF02644991]
مهندسی مکانیک مدرس
دوره 20، شماره 8
مرداد 1399
صفحه 2017-2027