مدل سازی و بهینه سازی رقت جوش در حضور نانو ذرات SnO2 در فرآیند جوشکاری زیرپودری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مدل سازی و بهینه سازی رقت جوش در حضور نانو ذرات SnO2 در فرآیند جوشکاری زیرپودری دارای ۲۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مدل سازی و بهینه سازی رقت جوش در حضور نانو ذرات SnO2 در فرآیند جوشکاری زیرپودری  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مدل سازی و بهینه سازی رقت جوش در حضور نانو ذرات SnO2 در فرآیند جوشکاری زیرپودری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مدل سازی و بهینه سازی رقت جوش در حضور نانو ذرات SnO2 در فرآیند جوشکاری زیرپودری :

تعداد صفحات :۲۶

چکیده مقاله:

این پژوهش جهت انجام بررسی و مطالعه پیرامون بهینه سازی پارامترهای جوشکاری زیرپودری در حضور نانو ذرات اکسید قلع که رابطه مستقیم با رقت جوش، هندسه جوش و ریز ساختار دارد، پرداخته شده است. یکی از اهداف این پژوهش بهبود کیفیت جوش و بهره وری آن در حضور مواد نانو می باشد. این مطالعه بر روی صفحات فولاد کم کربن به سبب فراوانی و پرکاربردی آن صورت گرفته و مشخصه های کیفیت شامل رقت جوش، هندسه و ریز ساختار مورد مطالعه قرار گرفته است. به این منظور از طراحی آزمایش مرکب مرکزی چرخش پذیر درپنج سطح با پنج متغییر برای جمع آوری اطلاعات استفاده شد. متغیرهای خروجی به عنوان توابعی از پنج متغیر ورودی ولتاژ، جریان، فاصله نازل تا قطعه کار، سرعت جوشکاری و ضخامت پوشش نانو ذرات اکسید قلع مورد استفاده قرار گرفت. استفاده از روش حداقل مربعات چند گانه، منجربه استخراج معادلات رگرسیون چندگانه می شود. نتایج بدست آمده نشان می دهد که فاصله نازل تا قطعه کار، تاثیر زیادی بر هندسه و رقت جوش ندارد. اما با افزایش جریان و ولتاژ جوشکاری، میزان رقت جوش افزایش یافته است و افزایش سرعت جوشکاری موجب کاهش رقت جوش گردیده است. همچنین افزایش ضخامت پوشش نانو ذرات از ۰ تا ۱ میلیمتر، به دلیل افزایش عمق نفوذ، رقت را نیز افزایش داده است. در پایان، پارامترهای خروجی با روش طراحی آزمایش مرکب مرکزی چرخش پذیر بهینه شدند و داده های آزمایشگاهی و پیش بینی شده به هم نزدیک بوده و میزان خطای این روش در حدود ۰/۷۸۱ درصد می باشد.