پيش بيني رفتار تغيير شكل داغ آلياژ آلومينيوم 2030 با استفاده از شبكه عصبي مصنوعي

Prediction of Hot Deformation Behavior of AA2030 Alloy Using Artificial Neural Networks

رفتار تغيير شكل داغ مواد بدليل وابستگي آن به تغييرات كرنش، نرخ كرنش و دما داراي پيچيدگي هاي قابل ملاحظه اي است و لذا پيش بيني رفتار ماده در اين شرايط مشكل مي باشد. هدف از اين بررسي پيش بيني رفتار تغيير شكل داغ آلياژ آلومينيوم 2030 با استفاده از يك شبكه عصبي مصنوعي توسعه يافته مناسب مي باشد. براي اين منظور از آزمايش­هاي فشار داغ در محدوده دمايي بين 350 تا 500 درجه سلسيوس و در نرخ كرنش­هاي بين 0/005 تا 0/5 بر ثانيه استفاده شد. با استفاده از نتايج تجربي حاصل از اين آزمايشات، يك مدل شبكه عصبي پس انتشار پيش- سو جهت پيش­ بيني رفتار تغيير شكل داغ اين آلياژ توسعه داده شد كه دماي تغيير شكل، لگاريتم نرخ كرنش و كرنش بعنوان ورودي و تنش سيلان به عنوان خروجي اين شبكه عصبي در نظر گرفته شد. شبكه مورد استفاده شامل يك لايه مخفي متشكل از 12 نورون با تابع انتقال هلالي مماسي و الگوريتم آموزش لونبرك – ماركارت است. بررسي نتايج پيش بيني حاكي از همبستگي بسيار خوب بين نتايج تجربي و نتايج پيش ­بيني شده مي باشد، كه نشان دهنده توانايي بالاي مدل شبكه عصبي مصنوعي توسعه يافته در پيش بيني سطوح تنش سيلان، و همچنين نواحي سخت شوندگي و نرم شوندگي ديناميكي در منحني­ هاي تنش -كرنش مي باشد.

Hot deformation behavior of materials is completely complex. Flow stress during hot deformation depends mainly on the strain, strain rate and temperature, and shows a complex and nonlinear relationship with them. Hot deformation characteristics of a AA2030 alloy were investigated by hot compression test over the temperature range from 350-500 ℃ and strain rate range from 0.005 to 0.5 s. Based on these experimental results, a feed-forward back propagation artificial neural network (ANN) model was developed to predict the flow behaviors of AA2030 alloy during hot deformation. The inputs of the neural network were deformation temperature, log strain rate and strain whereas flow stress was the output. This developed network consisted of one hidden layer containing 12 neurons with a tan-sigmoid activation function and Levenberg–Marquardt training algorithm. A very good correlation between experimental and predicted results has been obtained. The results show that the developed artificial neural network model presented an excellent capability to predict the flow stress level, and also the hardening and dynamic softening behavior.