بهینه نمودن کارایی شبکه عصبی مصنوعی برای پیش بینی خواص کششی Al-5083 اتصال داده شده توسط فرایند FSW
در این تحقیق، بهینه سازی قابلیت شبکه عصبی مصنوعی (ANN) به منظور پیش بینی استحکام کششی و ازدیاد طول نسبی اتصالات ایجاد شده بر Al-5083 توسط فرایند جوشکاری همزنی اصطکاکی (FSW) مورد بررسی قرار گرفت. بدین منظور با تغییر پارامترهای موثر بر کارایی ANN از قبیل تعداد لایه ها و تعداد نورون های لایه های مخفی، نوع تابع انتقال بین لایه ها، الگوریتم یادگیری و غیره، شبکه عصبی کارآمد برای پیش بینی خواص کششی اتصالات FSWed-Al-5083 تعیین گردید. بررسی های انجام شده آشکار نمود که شبکه عصبی پرسپترون با دو لایه پنهان و تعداد 17 نورون، الگوریتم آموزش لونبرگ-مارکوارت و تابع انتقال Logsig برای لایه های میانی و تابع تبدیل Tansig برای لایه خروجی، کارآمدترین شبکه عصبی برای پیش بینی مورد نظر است. شبکه مذکور دارای ساختار بهینه براساس کمینه مقدار خطای میانگین مربعات 05/0، بیشینه ضریب همبستگی کل 93/0 و رگرسیون خط با زاویه 45 درجه بین مقادیر واقعی و پیش بینی شده می باشد. در نتیجه این شبکه از کارایی مطلوبی برای آموزش، تعمیم و برآورد استحکام کششی و ازدیاد طول نسبی Al-5083 اتصال FSW داده شده برخوردار است.
Al-5083 ، FSW ، استحکام ، سرعت چرخش ، سرعت پیش روی ، شبکه عصبی مصنوعی
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.