مقاله پیش بینی خواص مکانیکی فولاد دو فازی تولید شده به روش نورد کنترلی با تعیین پارامترهای تاثیر گذار فرایند و استفاده از شبکه عصبی مصنوعی

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

  مقاله پیش بینی خواص مکانیکی فولاد دو فازی تولید شده به روش نورد کنترلی با تعیین پارامترهای تاثیر گذار فرایند و استفاده از شبکه عصبی مصنوعی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی خواص مکانیکی فولاد دو فازی تولید شده به روش نورد کنترلی با تعیین پارامترهای تاثیر گذار فرایند و استفاده از شبکه عصبی مصنوعی  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 مقاله پیش بینی خواص مکانیکی فولاد دو فازی تولید شده به روش نورد کنترلی با تعیین پارامترهای تاثیر گذار فرایند و استفاده از شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی خواص مکانیکی فولاد دو فازی تولید شده به روش نورد کنترلی با تعیین پارامترهای تاثیر گذار فرایند و استفاده از شبکه عصبی مصنوعی :

تعداد صفحات:۸

چکیده:

هدف از این مقاله ، استفاده از شبکه های عصبی مصنوعی برای پیش بینی خواص مکانیکی فولاد دو فازی تولید شده به روش نورد کنترلی باشد . برای آموزش شبکه از دو سری نمونه استفاده گردید . سری اول دارای % ۰۰۲ نیوبیم (Nb) به تعداد تست ۲۲ عدد و سری دوم دارای % ۰۰۲ تیتانیوم (Ti) به تعداد تست ۱۵ عدد می باشد . ورودی های شبکه که همان متغیر های فرآیند می باشد عبارتند از : ۱دمای بازپخت (Tr) 2.دمای پاس نهایی (Tf) 3.کرنش پاس نهایی (Ef) 4.فاصله زمانی بین پاس نهایی و کوئنچ (t) 5.دمای کوئنچ (Tq) 6.نرخ سرد شدن (CR) هرکدام از پارامترهای درصد مارتنزیت ، اندازه دانه فریت ، سختی مارتنزیت ، تنش تسلیم ، تنش شکست نهایی و داکتلیته به طور مجزا به عنوان خروجی های شبکه مخصوص خود می باشند . برای افزایش دقت شبکه ها، با توجه به تعداد بالای ورودی ها ، ابتدا از بین ۶ پارامتر ورودی برای هر خروجی ، ۴ پارامتری که تاثیر بیشتری داشتند تعیین گردیده و سپس هر شبکه بر مبنای آنها آموزش داده شد. نتایج بررسی ها نشان دهنده تطابق خوب بین مقادیر پیش بینی شده و مقادیر تجربی است و شبکه های عصبی که خوب آموزش داده شوند ، پتانسیل بالایی در زمینه ی مدل کردن رفتار مکانیکی این نوع فولاد ها خواهند داشت .