بررسي تاثير پارامترهاي ماشينكاري بر تنش‌هاي پسماند آلياژ پايه نيكل با تلفيق الگوريتم ژنتيك و شبكه‌ي عصبي

Investigating the effect of machining parameters on residual stresses of the nickel-based alloy using the genetic algorithm and neural network

تنش‌هاي پسماند بوجود آمده در اثر فرآيندهاي ماشينكاري بطور قابل ملاحظه‌اي بر عمر خستگي مجموعه‌ توليدي اثرگذار است. آلياژ اينكونل 718 با داشتن خواص منحصر به فرد از كاربرد گسترده‌اي در قطعات مختلف صنايع هوايي و قطعات دوار موتورهاي توربيني برخوردار است. به همين منظور بررسي وضعيت نامطلوب تنش پسماند در فرآيند تراشكاري نهايي اين آلياژ بيش از ساير مواد و فرآيندهاي ماشينكاري احساس مي‌شود. متاسفانه هزينه‌ بالا و مشكلات متعدد جهت اندازه‌گيري تنش‌هاي پسماند ماشينكاري، مانع از بررسي گسترده‌ اثر پارامترهاي ماشينكاري بر ميزان اين تنش‌ها شده است. از اين جهت تحقيق به عمل آمده با هدف مرتفع نمودن نياز مذكور صورت پذيرفته است. در ابتدا از روش پراش اشعه‌ ايكس جهت اندازه‌گيري تنش پسماند استفاده شد. در ادامه از شبكه‌ عصبي آموزش ديده شده توسط الگوريتم ژنتيك جهت بررسي گسترده‌ اثر پارامترهاي ماشينكاري شامل سرعت برشي، نرخ پيشروي و عمق برش بر ميزان تنش‌هاي پسماند سطحي استفاده شد. نتايج بدست آمده حاكي از دقت بالاي مدل ارايه شده در تخمين تنش پسماند بود كه در نهايت بهترين شرايط ماشينكاري جهت كاهش تنش‌هاي نامطلوب كششي در فرآيند تراشكاري نهايي سوپر آلياژ اينكونل718 ارايه گرديد.

Induced residual stress at the machining processes affects significantly fatigue life of manufactured components. Inconel718 superalloy has been used widely in the different parts of aerospace industries and in the rotary parts of turbines engines because of its unique properties. Therefore, evaluation of undesirable state of the residual stress in finish turning of Inconel718 is so needed. Unfortunately, the effect of machining parameters has not been investigated extensively on residual stress due to the high expenses and several difficulties for measuring residual stress. Thus, the present study has been conducted in order to obviate the mentioned requirement. At first, the residual stress was measured by X-Ray Diffraction (XRD) method. Then, the effect of machining parameters including cutting speed, feed rate, and depth of cut was investigated widely on residual stress using Artificial Neural Network (ANN) trained by Genetic Algorithm (GA). Obtained results showed that, the residual stresses were estimated accurately and finally the most suitable machining parameters were accessed so that the undesirable state of tensile residual stress was reduced in finish machining of Inconel718.