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

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.