بررسي تجربي و عددي تاثير اندازه ذرات پودر فلزي بر خواص فيزيكي و مكانيكي قطعات توليد‌ي به روش تراكم ديناميكي با نرخ بارگذاري بالا

در اين مقاله، اثر توزيع اندازه ذرات پودر‌هاي فلزي بر چگالي و استحكام قطعات توليدشده تحت بارگذاري ضربه‌اي با سرعت بالا مورد بررسي قرار مي‌گيرد. آزمون‌هاي تجربي بر روي پودر آلومينيوم توسط سامانه تفنگ گازي انجام شده است. در اين راستا، پودر آلومينيوم خالص با سه اندازه ذره متفاوت، تحت تراكم قرار گرفته و چگالي و استحكام قطعات متراكم‌شده، مورد مقايسه قرار گرفته‌ است. نتايج بدست آمده نشان مي‌دهد كه بيشترين مقدار چگالي، مربوط به بزرگ‌ترين توزيع اندازه ذرات است. به‌منظور ارزيابي اثر مخلوط كردن ذرات پودر با توزيع اندازه‌هاي متفاوت در خواص قطعات متراكم‌شده، سه پودر اوليه با نسبت‌هاي وزني متفاوت، با يكديگر تركيب‌شده‌اند. نتايج حاصل نشان مي-دهد با افزايش سهم پودر با اندازه ذرات بزرگ‌تر، چگالي قطعه مركب افزايش مي‌يابد ولي اين امر تأثير مشخصي بر استحكام ندارد. در ادامه يك مدل‌سازي رياضي با استفاده از روش شبكه‌هاي عصبي جهت پيش‌بيني چگالي قطعات متراكم‌شده، ارائه گرديده است. در اين روش، مقادير تجربي به‌دست‌آمده، به‌عنوان ورودي روش شبكه عصبي مورداستفاده قرار مي‌گيرند. مقايسه مقادير پيش‌بيني شده توسط اين مدل‌ با نتايج بدست‌آمده از آزمايش، انطباق بسيار مناسبي را نشان مي‌دهد.

The effect of size distribution of metal powder particles on the density and strength of fabricated parts under high velocity impact loading has been investigated in this paper. Experiments have been performed on aluminum powder using gas gun apparatus. To do so, pure aluminum powder with three different sizes has been compacted and both density and strength of compacts have been compared. The obtained results show that the coarsest particle size, has the maximum value of density. To evaluate the effect of mixing powder particles with different size distributions on properties of compacts, three initial powders with different weight ratios have been mixed together. The obtained results show that the density of composite part increases as the content of powder with greater particle sizes increases, but this has no particular effect on strength. Next, a mathematical modelling using neural network method has been presented to predict the density of compacts. Through this method, obtained experimental values are used as input by the neural network method. Comparison of values predicted using this model with those obtained by experiments, represents an appropriate level of adjustment.