مطالعه‌ي مقايسه‌اي عملكرد شبكه عصبي مصنوعي و مدل رگرسيوني در پيش‌بيني هندسه‌ي حوضچه‌ي جوش در فرآيند جوشكاري با گاز محافظ و الكترود تنگستني

A Comparative Study on the Performance of Artificial Neural Networks and Regression Models for Predicting the Weld Pool Geometry in Gas Tungsten Arc Welding Process

جوشكاري قوسي با الكترود تنگستن در پناه گاز محافظ كه به اختصار جوش آرگون يا تيگ ناميده مي شود يكي از مهمترين روش هاي جوشكاري در صنايع مختلف است. با توجه به اين موضوع كه كيفيت جوش مي‌تواند به هندسه جوش نيز وابسته است، در اين پژوهش، از شبكه‌هاي عصبي مصنوعي و مدل‌هاي رگرسيوني براي يافتن رابطه‌اي بين متغيرهاي فرآيند جوشكاري (شامل شدت جريان، سرعت جوشكاري و گپ) با شكل حوضچه‌ي جوش استفاده و عملكرد هر دو روش در پيش‌بيني ابعاد حوضچه‌ي حرارتي مقايسه شده است. قابليت مدل هاي حاصل با داده هاي تجربي سنجيده شد. نتايج نشان داد كه مدل حاصل از شبكه هاي عصبي تطابق بهتري با داده هاي تجربي دارد و داراي خطاي كمتري مي باشد.

Tungsten inert gas welding briefly named as TIG welding is one of the most important welding method in various industries. Whilst weld quality is highly affected by weld geometry, this study aims to use the artificial neural networks and regression models to find some relationships between welding process parameters (welding current, welding velocity and welding gap) and weld pool shape. Then, the performance of the models in predicting of the weld pool geometry was compared. The models was validated with the experiments and the results showed that the artificial neural network model has better agreement and lower error compared to the regression model.