چکیده: امروزه آلياژهاي تيتانيوم به علت دارا بودن مجموعه اي از خواص منحصر به فرد نظير دانسيته پايين، نسبت استحكام به وزن بالا، مقاومت به خوردگي و مقاومت به سايش بالا در صنايع مختلفي مانند هوافضا، كاغذسازي، خودرو سازي و ديگر صنايع كاربرد داشته و بسيار مورد توجه است. عمدتا در اين نوع آلياژها فاز ...
دسته بندی: فنی و مهندسی » مواد و متالوژیتعداد مشاهده: 460 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: pdf
تعداد صفحات: 11
حجم فایل:211 کیلوبایت
تعيين درصد حجمي فازهاي اصلي تشكيل دهنده آلياژهاي تيتانيوم
β+α توسط هوش مصنوعي AI) -Artificial Intelligence)
چکیده:
امروزه آلياژهاي تيتانيوم به علت دارا بودن مجموعه اي از خواص منحصر به فرد نظير دانسيته پايين، نسبت استحكام به وزن بالا، مقاومت به خوردگي و مقاومت به سايش بالا در صنايع مختلفي مانند هوافضا، كاغذسازي، خودرو سازي و ديگر صنايع كاربرد داشته و بسيار مورد توجه است. عمدتا در اين نوع آلياژها فاز زمينه α با ساختار hcp و فاز β با ساختار bcc تشكيل دهنده ريز ساختار آلياژ مذكور ميباشد كه بسته به درصد نسبي اين دو فاز نوع كاربري آنها نيز در صنايع مختلف دستخوش تغييرات اساسي مي شود. در اين تحقيق از روش شبكه هاي عصبي مصنوعي Feed (Forward Neural Network (FFNN با قانون آموزش (Back Propagation (BP كه از شاخه هاي جديد هوش مصنوعي Artificial Intelligence است براي تخمين جامع مقدار فاز β استفاده شده است. در اين شبكه تركيب شيميايي آلياژ كه شامل عناصر مختلف آلياژي نظير Al,V,Fe,O و دماي عمليات حرارتي به عنوان ورودي و درصد حجمي فاز β به عنوان خروجي مورد بررسي و مطالعه قرار گرفته است. مقايسه بين مقادير پيش بيني شده توسط شبكه طراحي شده در اين تحقيق و مقادير تجربي دلالت بر كارا بودن اين مدل در اين نوع آلياژها دارد كه در اين پژوهش به تفصيل ارائه شده است.
چکیده:
امروزه آلياژهاي تيتانيوم به علت دارا بودن مجموعه اي از خواص منحصر به فرد نظير دانسيته پايين، نسبت استحكام به وزن بالا، مقاومت به خوردگي و مقاومت به سايش بالا در صنايع مختلفي مانند هوافضا، كاغذسازي، خودرو سازي و ديگر صنايع كاربرد داشته و بسيار مورد توجه است. عمدتا در اين نوع آلياژها فاز زمينه α با ساختار hcp و فاز β با ساختار bcc تشكيل دهنده ريز ساختار آلياژ مذكور ميباشد كه بسته به درصد نسبي اين دو فاز نوع كاربري آنها نيز در صنايع مختلف دستخوش تغييرات اساسي مي شود. در اين تحقيق از روش شبكه هاي عصبي مصنوعي Feed (Forward Neural Network (FFNN با قانون آموزش (Back Propagation (BP كه از شاخه هاي جديد هوش مصنوعي Artificial Intelligence است براي تخمين جامع مقدار فاز β استفاده شده است. در اين شبكه تركيب شيميايي آلياژ كه شامل عناصر مختلف آلياژي نظير Al,V,Fe,O و دماي عمليات حرارتي به عنوان ورودي و درصد حجمي فاز β به عنوان خروجي مورد بررسي و مطالعه قرار گرفته است. مقايسه بين مقادير پيش بيني شده توسط شبكه طراحي شده در اين تحقيق و مقادير تجربي دلالت بر كارا بودن اين مدل در اين نوع آلياژها دارد كه در اين پژوهش به تفصيل ارائه شده است.