مقاله شبیه سازی فرآیند فورج داغ با استفاده از روش اجزاء محدود و استفاده از شبکه عصبی مصنوعی در پیش بینی پارامترهای شکل دهی

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

  مقاله شبیه سازی فرآیند فورج داغ با استفاده از روش اجزاء محدود و استفاده از شبکه عصبی مصنوعی در پیش بینی پارامترهای شکل دهی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله شبیه سازی فرآیند فورج داغ با استفاده از روش اجزاء محدود و استفاده از شبکه عصبی مصنوعی در پیش بینی پارامترهای شکل دهی  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 شبیه سازی فرآیند فورج داغ با استفاده از روش اجزاء محدود و استفاده از شبکه عصبی مصنوعی در پیش بینی پارامترهای شکل دهی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله شبیه سازی فرآیند فورج داغ با استفاده از روش اجزاء محدود و استفاده از شبکه عصبی مصنوعی در پیش بینی پارامترهای شکل دهی :

تعداد صفحات:۸

چکیده:

در تحقیق حاضر، فرآیند فورج یک قطعه از جنس فولاد AISI-1025 توسط نرم افزار اچزاء محدود Deform3D، که به خصوص برای فرآیند های شکل دهی حجیم طراحی گردیده، شبیه سازی شده است. از آنجایی که پیش بینی دقیق مقدار نیرو در این فرآیند در دقت ابعادی و خواص مکانیکی محصول، حائز اهمیت است و با توجه به تعدد پارامترهای موثر و نیز ماهیت غیر خطی فرآیند از شبکه عصبی مصنوعی استفاده شده است. مضافاً استفاده از شبکه عصبی، باعث صرفه جویی در زمان تحلیل فرآیند می شود. در اینجا از شبکه عصبی پیشخور با الگوریتم پس انتشار خطا استفاده شده که یکی از قوی ترین شبکه ها برای شبیه سازی مسائل غیر خطی بوده و قابلیت برازش مناسب بر هر گونه داده ای را دارد. ورودیهای شبکه عبارتند از دمای اولیه بیلت، سرعت حرکت قالب، ضریب اصطکاک بین بیلت و قالبها و مقدار فشرده شدن بیلت. از نتایج مدل المان محدود جهت آموزش شبکه استفاده شده و سپس از شبکه آموزش دیده به منظور پیش بینی مقدار نیروی لازم برای شکل دهی، مقادیر کرنش و دما، استفاده شده است. نتایج حاصله تطابق قابل قبولی در مقایسه با نتایج مدل المان محدود دارند. پس از تست صحت کارایی شبکه، میزان تاثیرگذاری هر یک از پارامترهای ورودی شبکه عصبی در مقدار خطای ایجاد شده ناشی از حذف هر کدام از پارامترهای مذکور بررسی شده است. نتایج نشان می دهد به ترتیب ، عوامل اصطکاک و میزان فشردگی بیلت، بیشترین تاثیر را بر روی نیروی برآورد شده دارند. در ضمن، به منظور طراحی ساختار بهینه شبکه عصبی، یک برنامه در محیط نرم افزار متلب نوشته شده و با تغییر پارامترهای مختلف (تعداد لایه ها، تعداد نرونها در هر لایه، نرخ یادگیری و ضریب مومنتم) کارایی شبکه بر اساس معیار میانگین مربعات خطاها مورد ارزیابی قرار گرفته است. نتایج حاصله حاکی از ضریب همبستگی بالا برای داده های آموزشی و تست شبکه، می باشد.