Modeling impact energy of functionally graded steels by artificial neural networks
در این مقاله, انرژی ضربهëی فولادهای مرتبهëای در دماهای مختلف با استفاده از شبکهëهای عصبی مصنوعی مدلëسازی شده است. فولادهای مرتبهëای با استفاده از چیدمانëها و ضخامتëهای مختلف فولادهای ساده کربنی و زنگëنزن، به عنوان الکترود اولیه فرآیند ذوب دوباره سربارهëای الکتریکی، تولید میëشوند. نفوذ اتمëهای مختلف...
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Semnan University
2016-06-01
|
| Series: | مجله مدل سازی در مهندسی |
| Subjects: | |
| Online Access: | https://modelling.semnan.ac.ir/article_1770_c9aeef5b053ad6bde2093c0281457bf9.pdf |
| Summary: | در این مقاله, انرژی ضربهëی فولادهای مرتبهëای در دماهای مختلف با استفاده از شبکهëهای عصبی مصنوعی مدلëسازی شده است. فولادهای مرتبهëای با استفاده از چیدمانëها و ضخامتëهای مختلف فولادهای ساده کربنی و زنگëنزن، به عنوان الکترود اولیه فرآیند ذوب دوباره سربارهëای الکتریکی، تولید میëشوند. نفوذ اتمëهای مختلف از درون قطعات اولیه فولادی به یکدیگر سبب تولید نواحی مرتبهëای فریتی و آستنیتی میëگردد. شش نوع مدل با استفاده از شبکهëهای عصبی مصنوعی که تفاوت آنها در تعداد لایهëهای مخفی و نورونëهای هر لایه بود، ارائه شد. پارامترهای ورودی عبارتند از نوع فولاد مرتبهëای، حالت ترک، ضخامت ناحیه مرتبهëای فریتی، ضخامت ناحیه مرتبهëای آستنیتی، فاصله ترک از لایهëهای بینیتی یا مارتنزیتی و دما. مجموعاً 140 سری داده آزمایشی جمعëآوری، به 98، 21 و 21 سری به طور تصادفی تقسیم و به ترتیب توسط مدلëهای پیشنهادی آموزش داده، ارزیابی و آزمایش شدند. نتایج نشان دادند که مدلی حاوی 2 لایه مخفی دارای به ترتیب 14 و 12 نورون در لایهëهای مخفی اول و دوم سبب حصول بهترین نتایج خواهد شد. این شبکه دارای ضریب همبستگی، خطای مطلق و خطای ریشه مجموع مربعات به ترتیب 1، 6175/0 و 5482/0در فاز آموزش، 9982/0، 4666/4 و 4347/3 در فاز ارزیابی و 9955/0، 9462/10 و 2716/5 در فاز آزمایش است. اگرچه نتایج حاصل از مدلëهای دیگر نیز نشان دادند که شبکهëهای عصبی مصنوعی برای مدلëسازی انرژی ضربهëی فولادهای مرتبهëای در محدوده مورد بررسی مناسبند. |
|---|---|
| ISSN: | 2008-4854 2783-2538 |