پیش بینی رفتار تغییر شکل داغ آلیاژ آلومینیوم 2030 با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی اراک، اراک، ایران

2 دانشجوی کارشناسی ارشد، دانشکده مهندسی مکانیک، دانشگاه صنعتی اراک، اراک، ایران

چکیده

رفتار تغییر شکل داغ مواد بدلیل وابستگی آن به تغییرات کرنش، نرخ کرنش و دما دارای پیچیدگی های قابل ملاحظه ای است و لذا پیش بینی  رفتار ماده در این شرایط مشکل می باشد. هدف از این بررسی پیش بینی رفتار تغییر شکل داغ  آلیاژ آلومینیوم 2030 با استفاده از یک شبکه عصبی مصنوعی توسعه یافته مناسب می باشد. برای این منظور از آزمایش­های فشار داغ در محدوده دمایی بین 350 تا 500 درجه سلسیوس و در نرخ کرنش­های بین 005/0 تا 5/0 بر ثانیه استفاده شد. با استفاده از نتایج تجربی حاصل از این آزمایشات، یک مدل شبکه عصبی پس انتشار پیش- سو جهت پیش­بینی رفتار تغییر شکل داغ این آلیاژ توسعه داده شد که دمای تغییر شکل، لگاریتم نرخ کرنش و کرنش بعنوان ورودی و تنش سیلان به عنوان خروجی این شبکه عصبی در نظر گرفته شد. شبکه مورد استفاده شامل یک لایه مخفی متشکل از 12 نورون با تابع انتقال هلالی مماسی و الگوریتم آموزش لونبرک – مارکارت است. بررسی نتایج پیش بینی حاکی از همبستگی بسیار خوب بین نتایج تجربی و نتایج پیش­بینی شده می باشد، که نشان دهنده توانایی بالای مدل شبکه عصبی مصنوعی توسعه یافته در پیش بینی سطوح تنش سیلان، و همچنین نواحی سخت شوندگی و نرم شوندگی دینامیکی در منحنی­های تنش -کرنش می باشد.

کلیدواژه‌ها


Lin Y. C., Li Q. F., Xia Y. C., and Li L. T., A phenomenological constitutive model for high temperature flow stress prediction of Al–Cu–Mg alloy, Mater.Sci.Eng. A, Vol. 534, pp. 654-662, 2012.
Malas J., Venugopal S., and Seshacharyulu T., Effect of microstructural complexity on the hot deformation behavior of aluminum alloy 2024, Mater.Sci.Eng. A, Vol. 368, No 1-2, pp. 41-47, 2004.
RezaeiAshtiani H.R., Parsa M., and Bisadi H., Constitutive equations for elevated temperature flow behavior of commercial purity aluminum, Mater.Sci.Eng. A, Vol. 545, pp. 61-67, 2012.
Guo J. H., Zhao S. D., Yan G. H., and Wang Z. B., Novel flow stress model of AA 4343 aluminium alloy under high temperature deformation, Mater.Sci.and Tech, Vol. 29, No. 2, pp. 197-203, 2013.
Lin Y., Xia Y. C., Chen X. M., and Chen M. S., Constitutive descriptions for hot compressed 2124-T851 aluminum alloy over a wide range of temperature and strain rate, Comput. Mater. Sci., Vol. 50, No. 1, pp. 227-233, 2010.
Shi C., Mao W., and Chen X. G., "Evolution of activation energy during hot deformation of AA7150 aluminum alloy", Mater.Sci.Eng. A, Vol. 571, pp. 86-91, 2013.
Lin Y., and Chen X. M., A critical review of experimental results and constitutive descriptions for metals and alloys in hot working, Mater. Des., Vol. 32, No. 4, pp. 1733-1759, 2011.
Shin H., and Kim J. B., A Phenomenological Constitutive Equation to Describe Various Flow Stress Behaviors of Materials in Wide Strain Rate and Temperature Regimes, J. Eng. Mater. Tech, Vol. 132, No. 2, pp. 1-6, 2010.
Rusinek A., and Rodriguez-Martinez J., A. Arias, A thermo-viscoplastic constitutive model for FCC metals with application to OFHC copper, Inter. J. Mech. Sci., Vol. 52, No. 2, pp. 120-135, 2010.
Lin Y. C., Zhang J., and Zhong J., Application of neural network to predict the elevated temperature flow behavior of a low alloy steel, Comput. Mater.Sci., Vol. 43, No. 4, pp. 752-758, 2008.
Sheikh H., and Serajzadeh S., Estimation of flow stress behavior of AA5083 using artificial neural networks with regard to dynamic strain ageing effect, J. Mater. Process. Tech., Vol. 196, No. 1-3, pp. 115-119, 2008.
Guoliang J., Fugue L., Qinghua L., Huiqu L., and Zhi L., Prediction of the hot deformation behavior for Aermet100 steel using an artificial neural network, Comput. Mater.Sci., Vol. 48, No. 3, pp. 626-632, 2010.
Mandal S., Sivaprasad P., Venugopal S., And Murthy K., Artificial neural network modeling to evaluate and predict the deformation behavior of stainless steel type AISI 304L during hot torsion, Applied Soft Comput., Vol. 9, No. 1, pp. 237-244, 2009.
Mirzaei A., Zarei-Hanzaki A., Pishbin M. H., Imandoust A., and Khoddam S., Evaluating the Hot Deformation Behavior of a Super-Austenitic Steel Through Microstructural and Neural Network Analysis, J. Mater.Eng.Perf.,Vol. 24, No. 6, pp. 1-10, 2015.
Reddy N. S., Lee Y. H., Park C. H., and Lee C. S., Prediction of flow stress in Ti–6Al–4V alloy with an equiaxed microstructure by artificial neural networks, Mater.Sci.Eng. A, Vol. 492, No. 1-2, pp. 276-282, 2008.
Qin Y. J., Pan Q. L., He Y. B., Li W. B., Liu X. Y., and Fan X., Artificial Neural Network Modeling to Evaluate and Predict the Deformation Behavior of ZK60 Magnesium Alloy During Hot Compression, Mater. Manu.Process., Vol. 25, pp. No. 7, 539-545, 2010.
Han Y., Qiao G., Sun J., and Zou D., A comparative study on constitutive relationship of as-cast 904L austenitic stainless steel during hot deformation based on Arrhenius-type and artificial neural network models, Comput. Mater .Sci., Vol. 67, pp. 93-103, 2013.
Xiao X., Liu G., Hu B., Zheng X., Wang L., Chen S., and Ullah A., A comparative study on Arrhenius-type constitutive equations and artificial neural network model to predict high-temperature deformation behaviour in 12Cr3WV steel, Comput. Mater.Sci., Vol. 62, pp. 227-234, 2012.
Li H. Y., Wang X. F., Wei D. D., Hu J. D., and Li Y. H., A comparative study on modified Zerilli–Armstrong, Arrhenius-type and artificial neural network models to predict high-temperature deformation behavior in T24 steel, Mater.Sci.Eng. A, Vol. 536, pp. 216-222, 201.
Chai R. X., Guo C., and Yu L., Two flowing stress models for hot deformation of XC45 steel at high temperature, Mater.Sci .Eng. A, Vol. 534, pp. 101-110, 2012.
Chen C., Yin H., Islam I., HumailS., Wang Y., and Qu X., A comparative study of a back propagation artificial neuralnetwork and a Zerilli–Armstrong model for pure molybdenumduring hot deformation, Inter. J. Refractory Metal. Hard Mater., Vol. 25, No. 5-6, pp. 411-416, 2007.
Liu J., Chang H.,. Hsu T. Y, and Ruan X., Prediction of the flow stress of high-speed steel during hot deformation using a BP artifcial neural network, J. Mater. Process. Tech., Vol. 103, No. 2, pp. 200-205, 2000.
Zhao J., Ding H., Zhao W., Huang M., Wei D., and Jiang Z., Modelling of the hot deformation behaviour of a titanium alloy using constitutive equations and artificial neural network, Comput. Mater. Sci., Vol. 92, pp. 47-56, 2014.
Wu R. H., Liu J. T., Chang H. B., Hsu T. Y., and Ruan X. Y., Prediction of the flow stress of 0.4C-1.9Cr-1.5Mn-1.0Ni-0.2Mo steel during hot deformation, J. Mater. Process. Tech.,Vol. 116, No. 2-3, pp. 211-218, 2001.
Phaniraj P. M., and Lahiri K. A., The applicability of neural network model to predict flow stress for carbon steels, J. Mater. Process. Tech., Vol. No. 2, 141, pp. 219-227, 2003.
Srinivasulu S., and Jain A., A comparative analysis of training methods for artificial neural network rainfall–runoff models, Applied Soft Comput., Vol. 6, No. 3, pp. 295-306, 2006.