شبكه عصبی مصنوعی تغییر شكل القایی- جوش ورقه کشتی

شبكه عصبی مصنوعی تغییر شكل القایی- جوش ورقه کشتی – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه متالورژی

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات رایگان

مطالعه 20 الی 100% رایگان مقالات ترجمه شده

1- قابلیت مطالعه رایگان 20 الی 100 درصدی مقالات 2- قابلیت سفارش فایل های این ترجمه با قیمتی مناسب مشتمل بر 3 فایل: pdf انگیسی و فارسی مقاله همراه با msword فارسی -- تذکر: برای استفاده گسترده تر کاربران گرامی از مقالات آماده ترجمه شده، قیمت خرید این مقالات بسیار کمتر از قیمت سفارش ترجمه می باشد.  

چگونگی سفارش

الف – پرداخت وجه بحساب وب سایت ایران ترجمه (شماره حساب) ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.com شامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر -- مقالات آماده سفارش داده شده عرفا در زمان اندک یا حداکثر ظرف مدت چند ساعت به ایمیل شما ارسال خواهند شد. در صورت نیاز فوری از طریق اس ام اس اطلاع دهید.

شبكه عصبی مصنوعی تغییر شكل القایی- جوش ورقه کشتی

شبكه عصبی مصنوعی تغییر شكل القایی- جوش ورقه کشتی

كاربرد شبكه های عصبی مصنوعی برای تغییر شكل  القایی- جوش در ورقه های فولادی کشتی

چكیده

یك مدل شبكه عصبی مصنوعی برای استفاده در مطالعه‌ای بر روی فاكتورهای تاثیرگذار بر تغییر شكل ورقه های فولادی با درجه D و DH و ضخامت 6 تا 8 میلیمتر توسعه یافت. تغذیه داده‌ها به درون مدل از طریق یك عدد مهم، كه دقیقا به وسیله آزمایشات جوشكاری كنترل می‌شود،  و همچنین ز طریق اندازه‌گیریهای متعاقب مرتبط با تغییر شكل، انجام می‌پذیرد. بر روی این مدل توسعه، یك تحلیل حساسیت انجام پذیرفته كه در آن عددی، از فاكتورهای ظاهرا” مهم، نمایان و آشكار شده و مشخص می‌شود كه این فاكتور در تغییر شكل تاثیر می‌گذارد. از این مطلب چنین استنباط می‌گردد كه مقدار كربن ورقه های فولادی، نقش مهمی را در مقدار تغییر شكل بوجود آمده به وسیله فرآیند جوشكاری بازی می‌كند. ساز و كار و مكانیزم اثر كربن ارتباط داشتن آن بر روی اندازه دانه ، دمای تبدیل، خواص مكانیكی و مقدار پرلیت حداقل مشخص می‌كند. این امر ثابت می‌كند كه افزایش مقدار كربن در كاهش تغییر شكل صفحه نازك به وسیله جوشكاری مفید و سودمند است.

كلمات كلیدی:  شبكه‌های عصبی، تغییر شكل، پیچیدگی، ساخت كشتی، صفحه نازك

مقدمه  

برای سالیان متمادی، تغییر شكل ایجاد شده به وسیله جوشكاری در كارخانه‌های كشتی سازی بعنوان یك علت معمول در اصلاح هزینه‌ها بشمار می‌آمده  است. به هر حال ، این اثر موجب بدتر شدن وضعیت  روساخت و كاهش ضخامت سطح صفحه می‌شود (مرجع 1). به هنگامی‌كه ضخامت صفحه كاهش می‌یابد، مقدار تغییر شكل تمایل به افزایش دارد(مرجع 2). در موارد بسیاری، تغییر شكل واقعا” حالت كمانش یا تاب خوردگی بخود می‌گیرد (مرجع 3). در این خصوص، مطالعات زیادی، با پتانسیلهای مختلف، برای حل معضل تغییر شكل انجام شد، ولی با این وجود، مشكل هنوز باقی مانده است (مرجع 2 و 4). البته لازم به ذكر است كه  برخی از موارد  اصلاح شده‌اند،  ولی این مساله كامل حل نگردیده است. نقطه تمركز این موارد بیشتر بر روی بهبود خصوصیات نورد و امكانات سرد كردن سطح و اثرات آن  بر روی ویژگی و كیفیت ورقه های فولادی استفاده شده استوار بوده است( مرجع 5). همچنین فرآیندهای برشكاری صفحه با معرفی تكنیكهایی مانند برشكاری با قوس پلاسمای زیر آبی و برشكاری با پرتوی لیزر بهبود پیدا می‌كنند(مرجع 6). لازم به ذكر است كه این مسئله عنوان شده است كه هر دوی این فرآیند‌ها، تنش باقی مانده در سطح برش خورده و عمق منطقه سخت شده را به حداقل می‌رسانند. همچنین تكنیكهای جوشكاری با كاهش تدریجی در گرمای ورودی دارای پیشرفت بوده‌اند. معرفی جوشكاری با پرتوی لیزر (مرجع 7) و مشتقات آن (مرجع 8) موجب كاهش در درجه گرمای ورودی می‌شود. در نتیجه، تغییر شكل مطابق با آن كاهش می‌یابد.

در مقایسه با روشهای عملی برای كاهش تغییر شكل، دیدگاهها و روشهای زیادی وجود دارند.  یكی از این روشها، مدیریت به اشتراك كذاری خطر            (Risk Shared Management) می‌باشد (مرجع 9)، كه دارای برخی از امتیازات مشخص است. برای كاربرد شبكه های عصبی مصنوعی در تغییر شكل جوش یكسری از كارها و تحقیقات مقدماتی صورت گرفته شده است (مرجع 10). تعدادی از مدلهای تغییر شكل جوش گسترش یافته (مراجع 11 و 12)، ولی در عین حال، آنها  از مشكل پیش‌بینی شده تغییر شكل متقارن رنج می‌برند.

مبدا و منشا شبكه های عصبی علم زیست‌شناسی است. با این همه ، اصلی كه شبكه‌های عصبی مصنوعی را گسترش داده است اصطلاح عمومی‌ مورد استفاده برای توضیح مدلهای ریاضی است. تعدادی از مطالعات ، مزایا و امتیازات این روش را در فرآیندهای جوشكاری نشان می‌دهند. انتقال فلز ( مرجع 13)، خواص مكانیكی(مرجع 14)، انتشار صوتی(مرجع 15) و پیش‌بینی تغییر شكل مقدماتی (مرجع 16)  وجود دارد. به علاوه ، یك مرور(مرجع 17) بر روی استفاده از شبكه‌های عصبی در علم مواد انجام شده كه به تعدادی مناطق در فرآیند جوشكاری اشاره دارد نه به تغییر شكل جوشكاری.

اصل و پایه یک شبکه عصبی در شکل 1 نمایش داده شده است. این شکل شامل اجزاء زیر است:

• یک لایه ورودی که سیگنال را از محیط دریافت می‌کند.

• یک لایه خروجی که سیگنال را به محیط انتقال می‌دهد.

• یک یا چند لایه مخفی که سیگنالهای ورودی و خروجی را در شبکه خودش نگه می‌دارد.

آزمایش تجربی

موادی که استفاده می‌شوند در جدول 1 نمایش داده شده است. دو فولادی که به عنوان نمونه هستند با ساختمان و ساختار کشتی جنگی مطابقت دارند که DH 36 برای نواحی و مناطقی با استحکام بالاتر (²N/mm 360<) استفاده می‌شود و D در مناطقی که یک استحکام حداقل ²N/mm 235 قابل قبول است استفاده می‌شود. همه ورقه های پایهm 5×2 به صورت سطح سرد شده و شرایط تحویل و ذخیره‌سازی یکسان است. هر صفحه پایه ساچمه‌زنی(شن پاشی) شده و به وسیله فرآیند آستر کردن مشابه تحت شرایط ظاهرا یکسان آسترکاری می‌شود. جدول 2 متغیرهایی که برای مطالعه از ماده صفحه تهیه شده است را نشان می‌دهد. لیست کامل متغیرها در پیوست 1 وجود دارد.

توسعه مدل

در نهایت، 132 ورقه آزمایش تهیه می‌شوند که منجر به 66 قاب کوچک جوش داده شده می‌شود. همه داده‌ها بر روی صفحه و یا برنامه اکسل ثبت می‌شوند و این به ما اجازه نمایش گرافیکی از شکلها و طرحهای سطحی بعد از خال جوش، بعد از جوشکاری و بعد از تغییر شکل واقعی را می‌دهد. یک مثال از هر یک ، در شکلهای 3A-C نمایش داده شده است.

مدلهای شبکه عصبی زیر برای انتخاب در نظر گرفته می‌شوند:

• Perceptron چند لایه (MLP) (مراجع 18- 20)

• پیشخوراند ( Feed-Forward) عمومی(GFF) (مراجع 18 – 20)

• پیشخوراند ( Feed-Forward) مدولی (MFF) (مراجع 18 – 20)

MLP ها مثل زنجیره‌ها و رشته‌های شبکه‌های پیشخوراند با انتشار و تکثیر عقبتر، لایه‌گذاری می‌شوند. این شبکه‌ها راههایی برای کاربردهای بی‌شمار و متعدد نیازمند به الگوی طبقه‌بندی آماری پیدا می‌کنند. مهمترین امتیاز این است که آنها برای استفاده ساده هستند و آنها می‌توانند به هر نگاشت ورودی/خروجی شبیه‌سازی شوند. عیب مهم این است که آنها به طور آهسته تمرین می‌کنند و نیازمند مقدار قابل ملاحظه‌ای داده تمرینی هستند.

GFF ها یک تعمیم از MLP هستند چنانکه اتصالات می‌توانند از روی یک یا چند لایه بپرند. در تئوری ، یک MLP می‌تواند هر مشکلی که یک GFF حل می‌کند را حل کند. در عمل ، شبکه‌های GFF اغلب مساله را با کارایی و بازدهی بالاتر حل می‌کنند.

MFF ها یک رده مشخص از MLP هستند. این شبکه‌ها ورودیها را با استفاده از چندین PLP مشابه پردازش می‌کنند و سپس نتایج را دوباره ترکیب می‌کنند. این منجر به ایجاد برخی ساختار در توپولوژی می‌شود که زمینه تخصصی تابع را در هر زیر مدول ترویج می‌دهد.

بر خلاف MLP ، شبکه‌های مدولی قابلیت ارتباط کامل بین لایه‌ها را ندارد. در نتیجه این مساله ، اعداد کوچکتر وزن نیازمند شبکه با اندازه یکسان هستند. این مساله منجر به افزایش سرعت دفعات تمرین و کاهش تعداد نمونه‌های تمرینی مورد نیاز می‌شود.

28 مجموعه از داده‌ها برای صفحه با ضخامت 6mm برای تمرین مدلها و سه مجموعه برای آزمایش آنها استفاده می‌شود. سه مجموعه تصادفی برای آزمایش از بین مجموعه داده‌ها انتخاب می‌شوند. نسبت آزمایش به تمرین تغییر می‌کند ولی وقتی که مدل با داده‌های کمتر تمرین می‌کند دقت پیش‌بینی کاهش پیدا می‌کند. با استفاده از توپولوژی مدل پایه که به وسیله نرم‌افزار NeuroSolutions تهیه می‌شود شبکه‌ها بدون تغییر مدل توپولوژی برای پیدا کردن بهترین مجموعه داده تهیه شده تغییر می‌کند.

حساسیت خروجیها

مدل توسعه یافته نهایی که شامل داده‌های یکجای 6mm و 8mm می‌باشد برای تعیین ورودیهای مهم که بر روی پیش‌بینی منتج شده از تغییر شکل جوش تاثیر می‌گذارند اجرا می‌شود. تحلیل حساسیت به وسیله نرم‌افزار عصبی که NeuroSolutions  نامیده می‌شود انجام می‌شود. شکل 5 نتایجش را نشان می‌دهد. یک فاکتور که حساس نیست توپولوژی مقدماتی صفحه خال جوش خورده است. کار دیگر ( مراجع 23 و 24 ) نشان می‌دهد که شکل مقدماتی تحت تاثیر جایی که پس از آن تغییر شکل به وسیله جوش ایجاد می‌شود قرار می‌گیرد.به طور خلاصه ، مهمترین فاکتورها با بخش پاسخگوی آن بدون هیچ اولویتی به صورت زیر است:

– درجه فولاد ———————–  نورد فولاد

– فرآیند برشکاری ——————-  کشتی سازی

– کربن هم ظرفیت ( معادل ، CE)——— نورد فولاد ولی به وسیله کشتی‌سازی تعیین می‌شود

– نسبت استحکام تسلیم به کششی ——–  نورد فولاد

– فرآیند برشکاری ——————-  کشتی‌سازی

– عملیات نورد صفحه —————-  نورد فولاد

هر کدام از این فاکتورها با جزئیات بیشتر با استفاده از انحراف استاندارد و اعداد I به عنوان نشانه تغییر شکل بررسی و آزمایش می‌شوند. حاصل در جدول 3 نشان داده شده است.  

درجه فولاد

تغییر شکل مربوط به فولاد درجه DH 36 کمتر از درجه D است یعنی فولاد با استحکام بالاتر حساسیت کمتر تغییر شکل دارد. این مساله می‌تواند مربوط به اختلافهای ریز ساختاری با وجود یک گرایش برای تولید اندازه ذرات ریزتر در DH 36 با استحکام بالاتر به دلیل حضور نیوبیوم در فولاد باشد ( مرجع 25).

به علاوه ، فولاد DH 36 یک مقدار متوسط کربن بیشتر از فولاد درجه D دارد و بنابراین مقدار بیشتری پرلیت دارد که چکش‌خوری صفحه را کاهش می‌دهد و حساسیت کمتر را برای تغییر شکل می‌سازد. یک عدد نمونه 8 میکرومتر برای DH 36 است. به هر حال ، همپوشانی قابل توجه در محدوده اندازه ذرات تولید شده برای D و DH 36 به دلیل اثرات ضخامت صفحه و دیگر فاکتورهای فرآیند وجود دارد.

فرآیند برشکاری

یک نتیجه نسبتا تعجب‌آور این است که برش قوس پلاسمای زیرآبی ورقه ها منجر به کاهش تغییر شکل بعد از جوشکاری می‌شود. کار قبلی ( مرجع 6 ) خلاف این اثر را نشان می‌دهد. تهیه لبه جوش این کار در یک زاویه 30 درجه بود. با معرفی این ، قسمت اعظم سطح برش خورده خارج می‌شود. کار اضافی با استفاده از ورقه های فولادی با درجه D با ضخامت یکسان 6mm انجام می‌شود که در آن یک لبه برش با پرتوی لیزر و یک لبه برش با قوس پلاسمای زیرآبی ساخته شده است. این به ما اجازه یک مقایسه در مورد خصوصیات منطقه تحت تاثیر گرما قرار گرفته (HAZ) در یک لبه سطحی واقعی را   می‌دهد. داده‌ها در جدول 4 نشان داده شده است و HAZ برش با پرتوی لیزر به طور میانگین کمی ‌باریکتر از HAZ برش با قوس پلاسمای زیرآبی است. به هر حال ، یک اثر از باند سفید در HAZ برش با پرتوی لیزر وجود دارد و این مربوط به حضور مارتنزیت و تضمین سختی بالاتر می‌شود. تعیین سختی دو HAZ انجام شده و در شکل 6 نمایش داده شده است. این واضح است که برش با قوس پلاسمای زیرآبی بیشترین سختی کلی را در نزدیکی سطح برش دارد. به هر حال ، در پایین جوش که فقط یک سطح برش باقیمانده وجود دارد برش با قوس پلاسمای زیرآبی حدود 100 HV1 بیشتر از برش با پرتوی لیزر است. این اختلاف با حرکت به سمت عقب بر روی صفحه پایه کاهش پیدا می‌کند. هیچ دلیلی برای بالاتر بودن سختی در منطقه با باند سفید نسبت به دیگر مناطق آزمایش شده وجود ندارد. این همچنین نشان می‌دهد که سختی صفحه پایه در همه مناطق حدودا در 0.3mm عقبتر از سطح برش بدست می‌آید.

کربن هم ظرفیت

دید و نظر ابتدایی این است که با افزایش کربن معادل تغییر شکل کاهش پیدا می‌کند. در فولادهای معمول مهمترین و اصلی‌ترین اجزا کربن معادل ، کربن و منگنز است ( مرجع 25 ) که در معادله 1 نشان داده شده است

استحکام تسلیم / استحکام کششی

یک نقطه شروع برای این فاکتور رابطه نسبی بین ترکیب و استحکام است. معادله 2 و 3 که در زیر نشان داده شده بر پایه کار انجام شده به وسیله Pickering و Gladman است (مرجع 28).

عملیات نورد صفحه

نورد عادی کمترین فرآیند حساس برای تغییر شکل اتفاق افتاده به وسیله فرآیند as-rolled است و عادی به عنوان حساسترین برای تغییر شکل است. به هر حال، یک انحراف مهم مربوط به تعداد ورقه های عادی‌تر به طور قابل ملاحظه‌ای نسبت به as-rolled و نورد عادی وجود دارد. این واضح است که کار بیشتر در این زمینه و حوزه مشخص لازم است.

نتیجه گیری

به طور واضح یک پتانسیل مهم برای کاربرد شبکه‌های عصبی مصنوعی برای موضوعات مربوط به تغییر شکل وجود دارد. به هر حال ، این مهم است که تشخیص داده شود که خروجیهای مدلها نمی‌توانند یک صورت ظاهر باشند و یک برداشت علمی‌ برای گرایش به پیشرفت از آنها لازم است. در مورد اثر کربن در این کار مشخص تلاش شده است. این کار برای ابزار تحلیل حساسیت برای شناسایی برخی جنبه‌های فرآیند استفاده می‌شود که قبلا نقش آن برای تغییر شکل مشخص نشده است.

تعدادی از فاکتورهای مربوط به تغییر شکل شناسایی شدند که می‌توانند در مرحله صفحه مشخص شوند مانند مقدار کربن ، نسبت YS/TS و عملیات نورد. قبول این فاکتورها موجب کاهش تغییر شکل مربوط به برشکاری و جوش در صفحات / ورقه های با ضخامت 6mm و 8mm خواهد شد ولی مسلما حذف نخواهد شد.

شبكه عصبی مصنوعی تغییر شكل القایی- جوش ورقه کشتی