Mosallaee M, Morshedy A. Optimization of performance of artificial neural network for predicting the tensile properties of friction stir welded al-5083. JWSTI 2024; 9 (2) :93-102
URL:
http://jwsti.iut.ac.ir/article-1-444-fa.html
مصلایی مسعود، حسین مرشدی امین. بهینه نمودن کارایی شبکه عصبی مصنوعی برای پیشبینی خواص کششی Al-5083 اتصال داده شده توسط فرایند FSW. نشریه علوم و فناوری جوشکاری ایران. 1402; 9 (2) :93-102
URL: http://jwsti.iut.ac.ir/article-1-444-fa.html
1- دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، ایران. ، mosal@yazd.ac.ir
2- دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، ایران.
چکیده: (2189 مشاهده)
در این تحقیق، بهینهسازی قابلیت شبکه عصبی مصنوعی (ANN) بهمنظور پیشبینی 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 لایهها و تعداد نورونهای لایههای مخفی، نوع تابع انتقال بین لایهها، الگوریتم یادگیری و غیره، شبکه عصبی کارآمد برای پیشبینی خواص کششی اتصالات FSWed-Al-5083 تعیین گردید. بررسیهای 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 لایههای میانی و تابع تبدیل Tansig برای لایه خروجی، کارآمدترین شبکه عصبی برای پیشبینی 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 پیشبینی شده میباشد. 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.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
تخصصي