این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۲، شماره ۴، صفحات ۱۵۶-۱۶۳
عنوان فارسی کاربرد شبکه های عصبی جهت بررسی اثر ترکیب شیمیایی بر سختی و انرژی ضربه فولاد میکروآلیاژی گرید API X۶۵
چکیده فارسی مقاله در این پژوهش از شبکه عصبی پیشرو با الگوریتم پس انتشار خطا برای پیش بینی اثر ترکیب شیمیایی بر سختی و انرژی ضربه فولاد میکروآلیاژی گرید API X65 استفاده شده است. فولاد مورد مطالعه به طور گسترده در خطوط انتقال گاز ایران به شکل لولههای قطور فولادی استفاده می شود. داده های تجربی با جدا کردن نمونه از 100 لوله ساخته شده در مقیاس صنعتی (با قطر خارجی mm 1219، ضخامت دیواره mm 3/14 با ذوب و فرایند ساخت یکسان) و انجام آنالیز شیمیایی، تست سختی ویکرز و آزمون ضربه شارپی روی این نمونه ها مطابق الزامات تعیین شده در استاندارد5L API فراهم شد. درصد وزنی عناصر C، Si، Mn، P، S، Ni، Cr، Mo، Al، Cu، V، Ti، Nb و Ca در ترکیب شیمیایی فولاد مورد مطالعه به عنوان متغیرهای ورودی و عدد سختی ویکرز و انرژی ضربه شارپی به عنوان متغیرهای خروجی در نظر گرفته شدند. از نمودار پراکندگی و معیارهای آماری ضریب همبستگی و مجذور میانگین مربعات خطای نسبی (MSRE) برای ارزیابی شبکه استفاده شد. سپس با توجه به عملکرد دقیق شبکه عصبی توسعه داده شده از آن برای پیش بینی اثر کرم و وانادیوم بر سختی و انرژی ضربه شارپی نمونه فولادی به صورت کمّی استفاده گردید.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی ANN model for investigation the effect of chemical composition on hardness and impact energy in API X65 microalloyed steel
چکیده انگلیسی مقاله In this paper a neural network with a feed forward topology and a back propagation algorithm was used to investigate the effect of chemical composition on hardness and impact energy in API X65 microalloyed steel. Experimental data was obtained by cutting 100 specimens from pipes manufactured in industrial scale (with 1219 mm diameter, 14.3 mm wall thickness, with similar heats and manufacturing processes). The chemical analysis, Vickers hardness and Charpy impact tests were conducted then according to requirements specified by API 5L standard. The weight percent of C, Si, Mn, P, S, Ni, Cr, Mo, Al, Cu, V, Ti, Nb and Ca were considered as input parameters of the network; while Vickers hardness and Charpy impact energy were considered as output. Scatter diagrams and two statistical criteria: correlation coefficient and mean squared relative error were used to evaluate the prediction performance of developed ANN model. With regard to the exact performance of the developed neural network, it was used then to investigate the effect of chrome and vanadium on Vickers hardness and Charpy impact energy of tested steel.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سید حجت هاشمی هاشمی | seyed hojat hashemi
دانشکده مهدسی - دانشگاه بیرجند
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

مسعود رخش خورشید | rakhsh khorshid
دانشگاه بیرجند
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

نشانی اینترنتی http://mme.modares.ac.ir/article_1515_924d44dc28a77c26f2679883b1ee7c8b.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-228953.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