جستجوی مقالات مرتبط با کلیدواژه "نانوکامپوزیت زمینه آلومینیومی" در نشریات گروه "مکانیک"

تکرار جستجوی کلیدواژه «نانوکامپوزیت زمینه آلومینیومی» در نشریات گروه «فنی و مهندسی»

جستجوی نانوکامپوزیت زمینه آلومینیومی در مقالات مجلات علمی

انتخاب همه

پیش بینی سختی در نانو کامپوزیت های Al-Al2O3 با استفاده از شبکه عصبی مصنوعی با تغییر عوامل موثر در روش آلیاژسازی مکانیکی

علی شکوه فر، سعیده قربان پور، سجاد نصیری خلیل آباد، اشکان ذوالریاستین، علی اصغر جعفری

نشریه مهندسی مکانیک مدرس، سال سیزدهم شماره 13 (اسفند 1392)، صص 26 -32

در این پژوهش یک شبکه عصبی پیشرو با الگوریتم پس انتشار خطا، برای پیش بینی سختی نانوکامپوزیت های پایه آلومینیوم با تقویت کننده آلومینا، که به روش آلیاژسازی مکانیکی و پرس گرم تولید شده بودند، با استفاده از داده های موجود طراحی شد. درصد حجمی تقویت کننده، اندازه ذرات تقویت کننده نانومتری، نیروی وارد شده در آزمون سختی ویکرز؛ همچنین عوامل موثر بر فرآیند آلیاژسازی مکانیکی مانند زمان آسیاب کاری، نسبت وزنی گلوله به پودر و سرعت آسیاب به عنوان متغیرهای ورودی شبکه و عدد سختی ویکرز به عنوان متغیر خروجی شبکه درنظر گرفته شدند. عوامل موثر در آموزش شبکه مانند نرخ آموزش، تعداد لایه های پنهان و تعداد نرون های لایه های پنهان؛ با سعی و خطا تعیین شدند. برای بررسی عملکرد شبکه، از نمودارهای رگرسیون در مراحل آموزش، صحت سنجی و تست؛ و همچنین از میانگین مربعات خطا استفاده شد. شبکه عصبی طراحی شده قادر است سختی ویکرز داده های تست را با میانگین خطای 2.67 درصد یا 2.25 ویکرز پیش بینی نماید. همچنین میانگین مربعات خطا در مرحله صحت سنجی 7.76 بود. با استفاده از شبکه عصبی طراحی شده، سختی ویکرز نانو کامپوزیت آلومینیوم-آلومینا، بدون نیاز به کارهای آزمایشگاهی پرهزینه، قابل پیش بینی می باشد.

کلید واژگان: نانوکامپوزیت زمینه آلومینیومی, میکرو سختی ویکرز, آلیاژسازی مکانیکی, شبکه عصبی مصنوعی

چکیده مشاهده متن زبان: فارسی

Prediction of hardness in Al-Al2O3 nanocomposite using artificial neural network with alternation in effective parameters of mechanical alloying method

Modares Mechanical Engineering, Volume:13 Issue: 13, 2014, PP 26 -32

In this study a feed forward back propagation artificial neural network (ANN) model was established to predict Vickers microhardness in aluminum-alumina nanocomposites which have been synthesized by mechanical alloying and hot pressing. Volume percent of reinforcement، size of nanoparticles، force in microhardness test; and mechanical alloying parameters، such as time، ball to powder ratio (BPR) and speed of ball mill were used as the inputs and Vickers microhardness as the output of the model. Effective parameters in training such as learning rate، hidden layers and number of neurons، were determined by trail and error due to amount and percentage of errors. Regression analysis in train، validation and test stages; and mean squared error were used to verify the performance of neural network. Average error of predicted results was 2. 67% or 2. 25 Vickers. Also mean squared error for validation data was 7. 76. As can be expected، ANN methods reduce the expenses of experimental investigations، by predicting the optimum parameters.

Keywords: Aluminum Based Nanocomposite, Vickers Microhardness, Mechanical Alloying, Artificial Neural Network

Abstract View Paper Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه "نانوکامپوزیت زمینه آلومینیومی" در نشریات گروه "مکانیک"