برآورد استحكام فشاري ماسه ريخته گري در مقادير گوناگون رطوبت با استفاده از شبكه عصبي مصنوعي

Determining the Compressive Strength of Green Sand Moulds with Different Moisture Contents, Using Artificial Neural Networks

كيفيت قطعات ريخته گري در قالب گيري ماسه به گونه‌اي چشم گير به خواص ماسه مورد استفاده از قبيل استحكام فشاري، نفوذپذيري، سختي قالب و... بستگي دارد كه اين خواص نيز به پارامترهايي مانند رطوبت، اندازه و شكل دانه ماسه، ميزان چسب و... بستگي دارند. در اين مقاله، تعداد 84 آزمايش عملي براي بدست آوردن داده هاي مورد نياز براي شبيه سازي كه همان استحكام فشاري ماسه در درصد رطوبت هاي معين بودند، انجام گرفته است و روش پژوهش بر مبناي استفاده از مدل هاي شبكه عصبي بمنظور برآورد استحكام در درصدهاي رطوبت ديگر مي باشد. مقايسه نتايج بدست آمده از مدل با نتايج آزمايش هاي عملي جديد نشان مي دهند كه با استفاده از شبكه عصبي مي توان با دقت بالايي استحكام فشاري ماسه را پيش از استفاده براي قالب گيري تا ميزان خطاي كم‌تر از 1% تخمين زد

The quality of parts in green sand mold casting mostly depends on the green sand properties such as compressive strength, permeability, mould hardness, etc. These parameters depend on input parameters like water, size and shape of the sand, percentage of bentonite and so on. The compressive strength of sand of different moisture contents which is required for modeling, obtained by experimental tests, and a research method, based on Artificial Neural Network (ANN). The predicted values of the compressive strength obtained by the ANN and new experiments found to be in good agreement with each other and showed that by using Artificial Neural Networks one can estimate the compressive strength of green sand precisely before molding.