این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۵، شماره ۷، صفحات ۱۴۹-۱۵۹
عنوان فارسی مدل‌سازی ارتفاع جوش در فرآیند جوشکاری قوس الکتریکی با گاز محافظ در حضور نانوذرات TiO۲ توسط شبکه‌ی عصبی مصنوعی
چکیده فارسی مقاله یکی از مشخصه‌های کیفیت اتصالات جوش شده در جوشکاری قوس الکتریکی با گاز محافظ (GMAW) ارتفاع جوش (WH) می‌باشد. این مقاله بر یک مطالعه‌ی آزمایشگاهی که به منظور دستیابی به یک مدل با استفاده از شبکه‌ی عصبی مصنوعی (ANN) برای پیش‌بینی WH در فرآیند GMAW با حضور نانوذرات TiO2 انجام شد، تاکید دارد. برای مدلسازی، ولتاژ قوس، جریان جوشکاری، سرعت جوشکاری، درصد گاز آرگون در ترکیب گاز Ar و CO2 و ضخامت نانوذرات TiO2 به عنوان پارامترهای ورودی و WH به عنوان پارامتر خروجی در نظر گرفته شدند. در آزمایش‌ها ماتریس طراحی دالرت به منظور جمع آوری داده‌ استفاده شد. مدل ANN ایجاد شد و توسط 5 آزمایش خارج از ماتریس طراحی ارزیابی شد. نتیجه‌ی قابل توجه این مطالعه مکانیزم تمرکز قوس به علت اثرات متقابل بین پارامترهای ورودی جوشکاری و نانوذرات TiO2 می‌باشد. علاوه براین نتایج نشان داد که افزایش ضخامت نانوذرات TiO2 تا حدود mm 9/0 ارتفاع جوش را افزایش داد درحالیکه در ادامه با افزایش بیشتر ضخامت تا mm 1 ارتفاع جوش کاهش یافت. در حقیقت این تغییر در ارتفاع جوش می‌تواند به علت آزاد شدن اکسیژن ناشی از تجزیه‌ی گرمایی نانوذرات TiO2 و CO2 روی سطح حوضچه‌ی مذاب باشد، که کشش سطحی را تحت تأثیر قرار داد و در نهایت جهت جابجایی مارانگونی جریان سیال را در حوضچه‌ی مذاب تغییر داد و در نتیجه بر WH تأثیر گذاشت. در روش ANN، 0066/0MSEtrain=، 0063/0MSEvalidation= و 0093/0MSEtest= می‌باشد. درنهایت نتیجه گرفته شد که ANN یک روش دقیق برای پیش‌بینی ارتفاع جوش می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Modeling of weld height in gas metal arc welding process in the presence of TiO2 Nano-Particles using artificial neural network
چکیده انگلیسی مقاله One of the quality characteristics of welded joints in gas metal arc welding (GMAW) is weld height (WH). This paper highlights an experimental study carried out to develop a model using artificial neural network (ANN), to predict WH in GMAW in the presence of TiO2 nano-particles. For developing the model, the arc voltage, welding current, welding speed, percentage of Ar in Ar-CO2 mixture and thickness of TiO2 nano-particles were considered as input parameters and WBH as the response. A Doehlert design matrix was employed in the experiments to generate experimental data. The ANN model was developed and validated by conducting five extra runs. The remarkable outcome of this study is the mechanism of arc constriction due to interacting effects between welding input parameters and TiO2 nano-particles. Moreover, the results showed that increasing thickness of TiO2 nano-particles up to almost 0.9 mm increased weld height whereas, its further increase up to 1.0 mm, decreased weld height subsequently. In fact, this variation in weld height could be due to thermal dissociation of TiO2 nano-particles and CO2 releasing oxygen onto weld pool surface, which influenced its surface tension and consequently, changed direction of the Marangoni convection of fluid flow in weld pool and as a result, affected WH. For ANN technique, MSEtrain=0.0066, MSEvalidation=0.0063 and MSEtest=0.0093. Finally, it is to be concluded that ANN is an accurate technique for predicting weld height.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مسعود آقاخانی |
هیئت علمی دانشگاه رازی
سازمان اصلی تایید شده: دانشگاه رازی (Razi university)

آرش نیک زاد |
دانشجوی کارشناسی ارشد دانشگاه رازی
سازمان اصلی تایید شده: دانشگاه رازی (Razi university)

نشانی اینترنتی http://mme.modares.ac.ir/article_12837_802749279e2cedd6fa561c89f5fe1079.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-227958.pdf
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