Modeling impact energy of functionally graded steels by artificial neural networks
| Autor: | علی نظری |
|---|---|
| Jazyk: | perština |
| Rok vydání: | 2016 |
| Předmět: | |
| Zdroj: | مجله مدل سازی در مهندسی, Vol 14, Iss 45, Pp 145-162 (2016) |
| Druh dokumentu: | article |
| ISSN: | 2008-4854 2783-2538 18988563 |
| DOI: | 10.22075/jme.2017.1770 |
| Popis: | در این مقاله, انرژی ضربهëی فولادهای مرتبهëای در دماهای مختلف با استفاده از شبکهëهای عصبی مصنوعی مدلëسازی شده است. فولادهای مرتبهëای با استفاده از چیدمانëها و ضخامتëهای مختلف فولادهای ساده کربنی و زنگëنزن، به عنوان الکترود اولیه فرآیند ذوب دوباره سربارهëای الکتریکی، تولید میëشوند. نفوذ اتمëهای مختلف از درون قطعات اولیه فولادی به یکدیگر سبب تولید نواحی مرتبهëای فریتی و آستنیتی میëگردد. شش نوع مدل با استفاده از شبکهëهای عصبی مصنوعی که تفاوت آنها در تعداد لایهëهای مخفی و نورونëهای هر لایه بود، ارائه شد. پارامترهای ورودی عبارتند از نوع فولاد مرتبهëای، حالت ترک، ضخامت ناحیه مرتبهëای فریتی، ضخامت ناحیه مرتبهëای آستنیتی، فاصله ترک از لایهëهای بینیتی یا مارتنزیتی و دما. مجموعاً 140 سری داده آزمایشی جمعëآوری، به 98، 21 و 21 سری به طور تصادفی تقسیم و به ترتیب توسط مدلëهای پیشنهادی آموزش داده، ارزیابی و آزمایش شدند. نتایج نشان دادند که مدلی حاوی 2 لایه مخفی دارای به ترتیب 14 و 12 نورون در لایهëهای مخفی اول و دوم سبب حصول بهترین نتایج خواهد شد. این شبکه دارای ضریب همبستگی، خطای مطلق و خطای ریشه مجموع مربعات به ترتیب 1، 6175/0 و 5482/0در فاز آموزش، 9982/0، 4666/4 و 4347/3 در فاز ارزیابی و 9955/0، 9462/10 و 2716/5 در فاز آزمایش است. اگرچه نتایج حاصل از مدلëهای دیگر نیز نشان دادند که شبکهëهای عصبی مصنوعی برای مدلëسازی انرژی ضربهëی فولادهای مرتبهëای در محدوده مورد بررسی مناسبند. |
| Databáze: | Directory of Open Access Journals |
| Externí odkaz: |
|