مهندسی مکانیک مدرس، جلد ۲۰، شماره ۸، صفحات ۰-۰
عنوان فارسی ارتباط بین پارامترهای ریز ساختاری و خواص کششی در آلیاژ Ti-۶Al-۴V
چکیده فارسی مقاله در این مقاله تاثیر سه پارامتر ریز ساختاری از جمله : 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-6Al-4V با استفاده از روش رویه پاسخ با طرح مرکب مرکزی مورد بررسی قرار گرفت. داده های مورد نیاز جهت طراحی آزمایش و تحلیل واریانس از طریق شبکه عصبی مصنوعی، پیش بینی گردید. به این منظور ابتدا با استفاده از داده های تجربی سایر محقیق شبکه عصبی مصنوعی با دو لایه پنهان توسط الگوریتم پس انتشار خطا تعلیم داده شد. هدف اصلی این مطالعه مقایسه قابلیت پیش بینی دو شبکه پیشخور و پسخور و همچنین بررسی چگونگی تاثیر پارامتر­های ریز ساختاری بر خواص مکانیکی آلیاژ Ti-6Al-4V می­باشد. نتایج نشان داد که  شبکه عصبی پسخور نسبت به شبکه پیشخور به ازای پارامترهای ورودی توانایی پیش بینی مناسب و دقیق­تری از مقادیر استحکام تسلیم و ازدیاد طول آلیاژ Ti-6Al-4V دارد. همچنین از تحلیل واریانس و تکنیک رویه پاسخ مشخص شد، عناصر مرتبه اول و دوم C، 2B، 2AB و A2C بعلاوه عناصر A، C، 2B، BC وB2A به ترتیب از موثرترین فاکتور­های تاثیر گذار بر تعریف رفتار استحکام تسلیم و ازدیاد طول آلیاژ Ti-6Al-4V می­باشند.
کلیدواژه‌های فارسی مقاله آلیاژ تیتانیم Ti-6Al-4V،شبکه عصبی مصنوعی،الگوریتم پس انتشار خطا،طرح مرکب مرکزی،تکنیک رویه پاسخ
عنوان انگلیسی Microstructure Features- Tensile properties Correlation of Ti-6Al-4V alloy
چکیده انگلیسی مقاله This paper investigates the influence of three different microstructure features (e.g. volume fraction of α phase, Thickness of α phase, and aspect ratio of primary α) on tensile properties of Ti-6Al-4V alloy, by response surface methodology with central composite design (CCD). The experimental data required for design of experiment (DOE) and analysis of variance (ANOVA) is predicted from artificial neural network (ANN). The ANN with two hidden layer by the error propagation algorithm was trained. The ANN model requires two kinds of datasets (i.e. training and testing data sets), and these sets were collected from the published literature. The main objective of this study was to compare the two feed forward 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 feedback neural network have a higher accuracy than feed forward neural network to predict the values of yield strength and elongation. According to ANOVA and response surface method, C, B2, AB2, and A2C factors and the A, C, B2, BC, and A2B factors have more significant effects on yield strength and elongation in Ti-6Al-4V alloy, respectively
کلیدواژه‌های انگلیسی مقاله Ti-6Al-4V Alloys,Artificial Neural Network,Error Propagation Algorithm,Central Composite Design,Response Surface Method
نویسندگان مقاله علیرضا فلاحی | Alireza Fallahi
Department of Mechanical Engineering, Amirkabir University of Technology
مهندسی مکانیک-ساخت و تولید، دانشگاه صنعتی امیر کبیر،

مصطفی آسمانی | Mostafa Asemani
Department of Mechanical Engineering, Amirkabir University of Technology
مهندسی مکانیک- ساخت و تولید، دانشگاه صنعتی امیر کبیر

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-10-19241-3&slc_lang=fa&sid=15
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات