بهينه سازي شرايط الكترولس در ايجاد رسوب Ni-P-BN(h) روي فولاد CK45 با بكارگيري مدل سازي شبكه هاي عصبي

Optimum conditions in electroless deposited Ni-P-BN(h) on the CK45 steel modeling using neural networks

پوشش هاي الكترولس ابتدا با هدف ايجاد پوشش هاي يكنواخت ، مقاوم به سايش و خوردگي توسعه يافتند. در اين ميان پوشش كامپوزيتي خود كاتاليتيك (Ni-P-BN(h ضريب اصطكاك كمتري را نسبت پوشش هاي متداول Ni-P از خود نشان مي دهند كه حاكي از آن است كه هم رسوب شدن ذرات در زمينه Ni-P به طور موثري اصطكاك را كاهش مي دهد و ذرات نرم (BN(h به عنوان روان كننده به طور موفقيت آميزي عمل مي كنند، لذا در اين مقاله، يك شبكه عصبي به منظور بررسي سختي پوشش آلياژي (Ni-P-BN(h بر سطح فولاد CK45 توسعه داده شده است. در مدل ارئه شده از درصد (BN(h، اسيديته ي الكتروليت، مدت زمان پوشش دهي و دما به عنوان ورودي شبكه استفاده شده است و خروجي شبكه سختي پوشش حاصل شده بر سطح فولاد مي باشد. مقايسه ي مقادير ازمايشگاهي و مقادير پيش بيني شده از شبكه ي عصبي حاكي از مناسب بودن شبكه ي آماده شده و الگوريتم آموزش شبكه بوده است. بر اساس مقادير پيش بيني شده از شبكه ي عصبي، مي توان نتيجه گرفت كه در حالت كلي افزايش دماي پوشش دهي عامل براي افزايش سختي پوشش حاصل شده مي باشد، حال آنكه با زياد شدن مدت زمان پوشش دهي از ميزان سختي پوشش كم خواهد گرديد. همچنين، با افزايش pH و غلظت BN(h) سختي پوشش افزايش مي يابد.

Electroless coating first developed for making anti-abrasive and anti-corrosion coatings. Among these, auto-catalytic composite coating of Ni-P-BN(h) shows lower coefficient of friction than usual Ni-P. This indicates that the co-precipitation of Ni-P can reduces the friction coefficient, effectively; and in addition, BN(h) can act as a lubricant successfully. So, in this paper, experimental data were used as inputs to develop an artificial neural network in order to predict the hardness of the Ni-P-BN(h) coating on CK45 steel. In the developed network BN(h) concentration, pH, coating duration and temperature are inputs and the hardness of the coating will be the output of the network. The optimal ANN architecture and training algorithm were determined and comparing the predicted values by ANN with the experimental data indicates that trained neural network model provides accurate results. According to the predicted data, increasing the temperature will decrease the coating hardness; but increasing the coating duration will decrease the hardness. Also, with increasing pH and concentration of BN(h) increases the coating hardness.