پيش بيني سختي در نانو كامپوزيت‌هاي Al-Al2O3با استفاده از شبكه عصبي مصنوعي با تغيير عوامل موثر در روش آلياژسازي مكانيكي

Prediction of hardness in Al-Al2O3nanocomposite using artificial neural network with alternation in effective parameters of mechanical alloying method

در اين پژوهش يك شبكه پيشرو با الگوريتم پس انتشار خطا، براي پيش بيني سختي نانوكامپوزيت‌هاي آلومينيوم- آلومينا، توليد شده به روش آلياژسازي مكانيكي، با استفاده از داده هاي موجود طراحي شد. مقدار و اندازه ذرات تقويت كننده ، نيرو در آزمون سختي؛ همچنين برخي از عوامل موثر بر فرآيند آلياژسازي به عنوان متغيرهاي ورودي شبكه و سختي ويكرز به عنوان خروجي شبكه درنظر گرفته شدند. نرخ آموزش، تعداد لايه‌هاي پنهان و تعداد نرون هابا درنظر گرفتن مقدار و درصد خطا تعيين شدند. براي بررسي عملكرد شبكه، از ميانگين مربعات خطا و نمودارهاي رگرسيون استفاده شد. شبكه طراحي شده سختي ويكرز داده هاي تست را با ميانگين خطاي 67/2 درصد (معادل 25/2 ويكرز) پيش بيني مي‌نمايد.با استفاده ازمدل شبكه عصبي، سختي ويكرز نانو كامپوزيت آلومينيوم-آلومينا، بدون نياز به كارهاي آزمايشگاهي پرهزينه، قابل پيش بيني مي باشد.

In this study a feed forward back propagation artificial neural network (ANN) model was established to predict Vickers microhardness in aluminum-alumina nanocomposites which have been synthesized by mechanical alloying. Volume percent and size of reinforcement, force in microhardness test; and some of mechanical alloying parameters were used as the inputs and hardness was the output of the model. learning rate, hidden layers and number of neurons, were determined due to amount and percentage of errors. Regression analysis and mean squared error were used to verify the performance of neural network. Average error of predicted results was 2.67% or2.25 Vickers. As can be expected, ANN methods reduce the expenses of experimental investigations, by predicting the optimum parameters.