این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۷، شماره ۸، صفحات ۲۰۱-۲۱۲
عنوان فارسی مدلسازی و بهینه سازی فرآیند لپنکاری فولاد ۴۴۰c توسط شبکه عصبی و الگوریتم بهینه سازی چندهدفه ازدحام ذرات
چکیده فارسی مقاله مهم‌ترین مشکل در فرآیند لپنکاری، پایین بودن نرخ برداشت ماده است که سبب افزایش هزینه و زمان تولید می گردد. بنابراین در فرآیند لپنکاری، انتخاب شرایطی که بتواند علاوه بر تولید قطعاتی با عدم تختی و زبری سطح موردنیاز، نرخ برداشت ماده بالایی نیز داشته باشد بسیار مهم و ضروری است. در این تحقیق در فرآیند لپنکاری تخت یک طرفه، اثر پارامترهای اندازه ذرات ساینده، درصد وزنی ذرات ساینده در دوغاب لپنکاری و فشار لپنکاری بر نرخ برداشت ماده، عدم تختی و زبری سطح قطعاتی از جنس فولاد 440c به روش تجربی (آزمایشگاهی) مورد بررسی قرار گرفته است. در ادامه توسط شبکه عصبی مصنوعی، اثر پارامترهای مذکور بر نرخ برداشت ماده، عدم تختی و زبری سطح قطعات لپنکاری شده، مدلسازی شده و در نهایت با استفاده از الگوریتم بهینه سازی چندهدفه ازدحام ذرات به بهینه سازی هم‌زمان نرخ برداشت ماده، زبری سطح و تختی قطعات لپنکاری شده پرداخته و جبهه پارتو مربوطه، بدست آورده شده است. نتایج به‌دست‌آمده نشان می دهند که با استفاده از الگوریتم بهینه سازی چندهدفه ازدحام ذرات می توان قطعاتی با زبری سطح و تختی مورد نیاز را با نرخ برداشت ماده بالا تولید کرد. درنتیجه با استفاده از این روش علاوه بر ایجاد قطعاتی باکیفیت مطلوب، هزینه و زمان تولید نیز کاهش می یابد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Modeling and optimizing lapping process of 440C steel by Neural Network and Multi-objective particle swarm optimization algorithm
چکیده انگلیسی مقاله The most essential problem in lapping process is low material removal rate which leads to increase in production costs and time. Thus, in this process, it's essential to select a condition that besides producing pieces with required flatness and roughness, has a high material removal rate. In this research, effects of parameters such as abrasive particle size, abrasive particles concentration in slurry, and lapping pressure on material removal rate, flatness and surface roughness were studied by experimental method in single sided lapping of flat workpieces made of 440c steel. In the following, effect of aforementioned parameters on material removal rate, flatness and surface roughness of lapped surface has been modeled using artificial neural network. Finally, by exerting multi-objective particle swarm optimization, simultaneous optimization of material removal rate, surface roughness and flatness of lapping pieces has been conducted and related Pareto front has been obtained. Obtained results show that by using Multi-objective particle swarm optimization algorithm we can produce workpieces with required surface roughness and flatness with high material removal rate. Consequently, by using this method moreover producing workpieces with desired quality, production cost and time would decrease.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد شفیعی علویجه | shafiee alavijeh
گروه مکانیک، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

حسین امیرآبادی |
دانشیار گروه مکانیک دانشگاه بیرجند
سازمان اصلی تایید شده: دانشگاه بیرجند (Birjand university)

نشانی اینترنتی http://mme.modares.ac.ir/article_17257_c95b6b2ad11236d550f83801fee7a720.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-423095.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