پيش بيني مقدار گشتاور مورد نياز درفرايند شكل دهي غلتكي سرد مقاطع كانالي شكل با استفاده از شبكه هاي عصبي مصنوعي

Prediction of Required Torque in Cold Roll Forming Process of a Channel Section Using Artificial Neural Networks

يكي از مسايل بسيار مهم در بررسي فرآيند شكل‌دهي غلتكي سرد فلزات، برآورد گشتاور مورد نياز شكل دهي مي‌باشد. با دانستن عوامل تاثيرگذار روي گشتاور، مي‌توان بهينه‌ترين خط توليد را طراحي نمود. از پارامترهاي اساسي تاثيرگذار بر گشتاور مورد نياز در شكل‌دهي غلتكي سرد مي‌توان به جنس، ضخامت ورق، زاويه شكل‌دهي، شرايط روانكاري، سرعت دوراني غلتك و فاصله ايستگاهها اشاره نمود. هدف از اين مطالعه پيش بيني مقدار گشتاور مورد نياز شكل دهي با در نظر گرفتن عوامل تاثيرگذار روي گشتاور شامل، استحكام تسليم، ضخامت و عرض ورق و زاويه شكل‌دهي، با استفاده از شبكه هاي عصبي مصنوعي مي‌باشد. بدين منظور فرآيند شكل‌دهي به صورت سه‌بعدي در نرم‌افزار اجزاي محدود مارك‌منتات شبيه‌سازي شد. نتايج شبيه‌سازي‌ها نشان داد كه با افزايش استحكام تسليم، زاويه شكل‌دهي و ضخامت، گشتاور وارد شده به غلتك‌ها زياد مي‌شود. همچنين افزايش عرض ورق با فرض ثابت بودن طول ناحيه كف، باعث كاهش گشتاور مورد نياز براي شكل‌دهي مي‌شود. طي يك سري آزمايش‌هاي تجربي تاثير ضخامت و عرض ورق مورد بررسي قرار گرفت كه داده‌هاي حاصل، نتايج شبيه‌سازي‌هاي اجزاي محدود را به خوبي تاييد نمود. شبكه عصبي پس انتشار خطا با يك لايه مخفي براي پيش بيني گشتاور موردنياز شكل دهي ايجاد شد، مقايسه بين نتايج شبيه سازي و شبكه عصبي نشان داد كه شبكه آموزش داده شده مي تواند مقدار گشتاور مورد نياز شكل دهي را بخوبي پيش بيني نمايد.

One of the most important issues in the review of cold roll forming process of metals is estimation of required torque. The optimum production line can be designed by determining the effective parameters on torque. Some of these parameters are sheet material and thickness, bending angle, lubrication conditions, rolls rotational speed and distance of the stands. The aim of this study is to predict amount of required torque considering the factors influencing torque including thickness, yield strength, sheet width and forming angle using artificial neural network. So the forming process was 3D simulated in a finite element code. Simulation results showed that with increase of yield strength, thickness and forming angle, applied torque on rolls will increase. Also, the increase in sheet width -assuming constant web length- will decrease the torque needed for forming. The effects of thickness and sheet width were experimentally investigated which verified the results obtained by finite element analysis. A feed-forward back-propagation neural network was created. The comparison between the experimental results and ANN results showed that the trained network could adequately predict the required torque.