بررسي تاثير دماي تفجوشي بر خواص مكانيكي آهن خالص توليد شده به روش متالورژي پودر با استفاده از شبكه عصبي مصنوعي و الگوريتم ژنتيك

Investigating the Effect of Sintering Temperature on Mechanical Properties of Pure Iron Produced by Powder Metallurgy, Using Soft Computing Techniques

در اين تحقيق با استفاده از شبكه عصبي و الگوريتم ژنتيك، رفتار مكانيكي و دماي بهينه تف جوشي كه معرف رفتار مكانيكي دلخواه آهن توليدي به روش متالورژي پودر است، پيش بيني مي شود. به منظور دست يابي به مدل مناسب، 7 نمونه تف جوشي شده در دماهاي مختلف انتخاب گرديد و آزمايش فشار بر روي آنها صورت گرفت. براي فرايند آموزش شبكه عصبي، كه قادر به پيش بيني رفتار مكانيكي نمونه ها با توجه به روند تغييرات كرنش و دماي آزمايش باشد، از منحني هاي تنش- كرنش بدست آمده از آژمايش فشار استفاده شد. پس از اتمام فرايند آموزش، عملكرد شبكه در برابر مجموعه اي از داده هاي جديد مورد بررسي قرار گرفت. نتيجه اين بررسي ضريب همبستگي 966/0 بين مقادير آزمايشگاهي و پيش بيني شده را به دست داد. با ادغام شبكه عصبي آموزش ديده در الگوريتم ژنيتك به عنوان تابع هدف، مدلي ساخته شد كه م يتوان با وارد كردن رفتار تنش- كرنشي دلخواه، دماي مناسب تف جوشي را به دست آورد.

In the present paper, mechanical properties and the optimal sintering temperature, which leads to a desired pre-specified mechanical behavior, were investigated using the artificial neural network and genetic algorithm. To prepare an appropriate model, seven samples, sintered at various temperatures, were selected and conducted by compression test at room temperature. The next stage was training a neural network that could efficiently predict stress corresponding to a given trend in the strain and temperature of the test. The stress-strain curves of compression tests were used by training process. Network performance was tested against a new set of data, which were put aside during the training process. Results showed a correlation of 0.996 between the predicted and the measured stress values. Next, by integrating the trained neural network into genetic algorithm as its objective function, a robust optimization tool was created. This could precisely give the optimal sintering temperature, which could yields a desired stress-strain behavior.