بخشی از مقاله
بهينه سازي پارامتر هاي موثر بر FDM در استحکام کششي
چکيده - تکنولوژي نمونه سازي سريع در بردارنده ي خانواده اي از تکنيک هاي مختلف است که قادرند مدل طراحي شده را بدون نياز به ابزار و قالب ، به صورت لايه به لايه در زمان بسيار کوتاه بسازند. در بين اين تکنيک ها، FDM فرآيندي است که شبيه اکستروژن بوده و در آن لايه ها از مواد ترموپلاستيکي با دمايي زير نقطه ي ذوب از طريق يک نازل اکسترود مي شود. قطعه کار با اکستروژنِ متواليِ لايه ها ايجاد شده و هر لايه در حين شکل گيري به لايه ي قبلي خود متصل مي شود و اين لايه ها ادامه پيدا مي کنند تا قطعه مورد نظر ساخته شود. مدل سازي فرآيند در اين تحقيق ، با استفاده از روش شبکه هاي عصبي مصنوعي (پرسپترون چند لايه ) و با تکيه بر يافته هاي محققان پيشين انجام شده است که اين پارامتر ها به ترتيب بر اساس مدلسازي حاصل از شبکه ي عصبي مصنوعي شامل فاصله ي هوايي ، زاويه ي نوار، جهت ساخت قطعه ، ضخامت لايه و عرض نوار مي باشند. در اين مدل سازي از ٥ پارامتر مذکور به عنوان ورودي و استحکام کششي مکانيکي به عنوان خروجي استفاده شد. در نهايت ساخت دو عدد قطعه طبق استانداردISO R٥٢٧، به منظور تاييد نتايج حاصل از مدلسازي انجام پذيرفت که نتايجشان مويد مدلسازي بود.
کليد واژه - :FDM، استحکام مکانيکي ، شبکه ي عصبي مصنوعي ، نمونه سازي سريع
١- مقدمه
بازار تجارت جهاني (World Trade Organization) و پديده جهاني شدن (Globalization)، رقابت بين صنعتگران را به عرصه جهاني کشانده و آنان را با انبوهي از فرصتها و چالش ها مواجه ساخته است به همين دليل ظهور فناوري هاي نوين ساخت منجر به تحول عظيمي در صنعت جهاني شده است ، بطوريکه توانسته بسياري از معضلات موجود در ساخت قطعات پيچيده را از ميان برداشته و زمان و هزينه اجراي پروژه ها را بطور چشمگيري کاهش دهد. در اين ميان بکارگيري روش هاي سنتي که سال ها در دسترس بوده اند، قدرت پاسخگويي به نياز امروز را نداشته و بخصوص در عرصه توليد محصولات کيفي در زمان کوتاه ، با کاستي هاي فراواني رو به رو خواهد بود. در اين شرايط تنها آن دسته از صنعتگراني شانس بقاء در بازار جهاني را خواهند داشت که با راهبردهاي مناسب بتوانند فناوري هاي روز دنيا را به خوبي شناخته و بستر لازم جهت بکارگيري واجراي آن را فراهم آورند و محصولات کيفي خود را در زمان کوتاه و با حداقل هزينه ، دراختيار مشتريان قرار دهند.
فرآيند نمونه سازي سريع بر خلافِ فرآيندهاي مرسوم و سنتي ، نه بر اساس براده برداري و با روندي کاهشي ، که فرآيندي افزايشي است و قطعه در اين فناوري با اضافه شدنِ مواد روي هم و شکل گيري لايه به لايه ساخته مي شود. هر لايه بعد از شکل گيري به طور خودکار به لايه ي قبلي متصل شده و فرآيند تا کامل شدن قطعه تکرار مي شود. براي ايجاد و اتصال لايه ها در روش هاي مختلف و براي مواد متفاوت يکي از مواردِ زير به کار مي رود: ليزرهاي فرابنفش ، ليزرهاي دي اُکسيد کربن ، چسب هاي حساس به گرما و ذوبِ مواد فلزي . به طور کلي ، بر حسب موادي که براي ساخت نمونه ها در فرآيندهاي نمونه سازي سريع به کار مي روند، مي توان اين فرآيندها را به سه دسته ي عمده ي جامد پايه ، مايع پايه و پودر پايه تقسيم کرد[١].
عموما روش هاي نمونه سازي سريع از اين الگوريتم استفاده مي کنند که ابتدا مدل سه بعدي توسط نرم افزارهاي موجود مدلينگ ترسيم مي گردد، سپس يک نرم افزار ديگري مدل را به لايه لايه (با توجه به ضخامت لايه ها) به صورت فرمت STL
تقسيم مي کند، در واقع فايل Slice آن تهيه مي گردد. اين فايل شامل مختصات X,Y هر لايه مي باشد، مختصات Z نيز با توجه به ضخامت لايه تعيين شده به دستگاه معرفي مي گردد و در نهايت با توجه به نوع روش ، مدل فيزيکي سه بعدي ساخته مي - شود[٢].
فرآيند FDM محصول شرکت Stratasys مي باشد. در اين فرآيند لايه ها از مواد ترموپلاستيک که به شکل مفتول رشته اي مي باشد،ساخته مي شوند. همانند ساير روش هاي RP در اين روش نيز از مدل CAD لايه لايه استفاده مي شود. موادي که در اين روش کاربرد دارند عبارتند از ABS، پلي کربنات ، پلي فنيل سولفون ، موم و ... . ماده ترموپلاستيک يا دمايي زير نقطه ي ذوب ، از طريق يک نازل اکسترود مي شود. همزمان با اکستروژن مواد، نازل متناظر با مقطعي از مدل ، در راستاي X وY حرکت کرده و لايه اي از قطعه را ايجاد مي کند. نازل ديگري نيز به طور همزمان تکيه گاه هاي مورد نياز را ايجاد مي نمايد. اين فرايند همانند نوشتن حروف روي کيک بوسيله کرم شکلاتي است .
قطعه کار با اکستروژن متوالي لايه ها ايجاد شده و هر لايه در حين شکل گيري به لايه قبل متصل مي شود. فرآيند FDM نسبتا ساده است ولي استفاده از آن به مواد ترموپلاستيک محدود مي شود.
در فرآيند FDM، ماده ترموپلاست بصورت نواري وارد قسمت گرم کننده نازل شده (شکل ١) و سپس به صورت نيمه مذاب از سر نازل به صورت لايه به لايه اکسترود شده و سخت مي شود و اين کار تا زمان اتمام ساخت قطعه ادامه مي يابد.
حرکت کلگي در راستاي X و Y بوده و حرکت در راستاي Z جهت تکميل فرآيند ساخت و لايه گذاري توسط ميز ماشين صورت مي پذيرد[٣و٤].
سخت افزار اين سيستم يک ربات با مکانيزم کنترل عددي است ، که جابجا کننده ي يک يا دو نازل بسيار ظريف مي باشد.
يکي از نازل ها جهت پاشش مواد اصلي و ديگري براي پاشش مواد ساپورت مي باشد. مواد مورد استفاده به شکل رشته اي که به دور قرقره اي پيچيده شده ، مي باشد. در نسل هاي جديدتر FDM از دو نازل استفاده مي شود که يکي ماده اصلي و ديگري مواد پشت بند را اکسترود مي کند. اين عمليات علاوه بر افزايش پيچيدگي قطعات قابل ساخت ، زمان فرآيند و مصرف ماده اصلي
را نيز کاهش مي دهد
شکل ١ فرآيند FDM
در تحقيق حاضر براي مدل سازي فرآيند FDM و تعيين ميزان تأثيرگذاري پارامترهاي مورد نظر بر استحکام مکانيکي و همچنين پيشبيني استحکام کششي از روش شبکه ي عصبي مصنوعي ( ANN ) استفاده شده است . شبکه هاي عصبي را مي توان با اغماض زياد، مدل هاي الکترونيکي از ساختار عصبي مغز انسان ناميد. مکانيزم فراگيري و آموزش مغز اساساً بر تجربه استوار است . شبکه هاي عصبي طبيعي نيز، بر اساس همين الگو بنا شده اند و روش برخورد چنين مدلهايي با مسائل ، با روش هاي محاسباتي که به طور معمول توسط سيستمهاي کامپيوتري درپيش گرفته شده اند، تفاوت دارد. ميدانيم که حتي ساده ترين مغزهاي جانوري هم قادر به حل مسائلي هستند که اگر نگوييم که کامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل مي شوند[٥].
نخستين تلاش ها براي درک سيستم تجزيه و تحليل مغز و استفاده از آن در نرون هاي مصنوعي به منظور حل مسائل ، به قرن نوزدهم بازمي گردد، يعني پيش از ظهور کامپيوترها. مک کلوک و والتر پيتز در ١٩٤٣ براي نخستين بار فرضيه هايي در مورد عملکرد نرون ها ارائه کردند. عملکرد مدل پيشنهادي آن ها مبتني بر جمع ورودي ها و ايجاد خروجي بود؛ به طوري که اگر اين مقدار جمع از مقدار آستانه بيشتر باشد، اصطلاحاً نرون برانگيخته مي شود، و در غير اين صورت عمل نمي کند. شکل ٢ شمايي ساده از شبکه ي پيشنهادي پيتز و کلوک را نشان مي دهد.
در تحقيق حاضر از شبکه ي پرسپترون چند لايه براي مدل سازي فرآيند FDM استفاده شده است . هر شبکه ي عصبي پرسپترون چند لايه با يک لايه ي مخفي زيگموئيدي و يک لايه ي خروجي خطي قادر به تخمين هر نگاشت پيچيده اي خواهد بود، مشروط به آن که در انتخاب تعداد نرون هاي لايه ي مخفي مياني دقت کافي شود. تعداد نرون هاي لايه ي مياني از ١ تا ٥٠ عدد قابل تغيير است و براي هر سري از داده هاي ورودي مي توان حالت هاي مختلف آن را آزمايش کرده و بهترين حالت را انتخاب کرد[٦].
آنچه اين تحقيق مد نظر دارد، تبيين هرچه دقيق ترِ روابط ميان پارامترهاي فرآيند FDM به منظور دستيابي به استحکام مکانيکي بيشتر در قطعات ساخته شده به روش شبکه ي عصبي مصنوعي است . اهميت توجه به خواص مکانيکي در توليد قطعات کاربردي منجر به مطالعه و تحقيقات وسيعي در سال هاي اخير براي مدل سازي فرآيند FDM و تعيين روابط بين پارامترهاي موثر در فرآيند شده است تا به وسيله آنها بتوان خواص مکانيکي مواد ساخته شده از FDM را بهبود داد. با توجه به اينکه ايجاد رابطه اي دقيق بين خواص مکانيکي و پارامترهاي FDM بسيار مشکل مي باشد، بنابراين از آزمايشات تجربي و ارزيابي نتايجشان ،جهت تشخيص رابطه بين پارامترهاي موثر و خواص مکانيکي استفاده مي گردد.
شکل ٢ : شمايي ساده از شبکه عصبي مصنوعي کلوک و پيتز
٢- پيشينه تحقيق
عليرضا آسا و همکارانش در سال ١٣٩١ با انجام آزمايشاتي به اندازه گيري تاثير جهت ساخت بر روي ويژگي هاي مکانيکي مواد ساخته شده با FDM و پرينتر سه بعدي نموده اند و به اين نتيجه که مقاومت فشاري در راستاي محوري بيشتر از رسوب گذاري در جهت مايل مي باشد، رسيده اند[٧].
آقاي آنوپ کومار در سال ٢٠١١ به بررسي وارزيابي خواص مکانيکي قطعات توليد شده از FDM پرداختند. در اين پروژه اثر پارامترهاي موثر مثل عرض نوار، زاويه نوار، فاصله هوايي ، جهت و ضخامت لايه ها در نظر گرفته شد و براي ارزيابي اين پارامترها، آزمايشات تجربي نظير تست کشش ، خمش و ضربه صورت پذيرفت که اين آزمايشات بر اساس CCD طراحي گرديد و بر اساس نتايج بدست آمده ، عامل اصلي استحکام ضعيف قطعات ، اعوجاج حاصل بين لايه ها گزارش گرديد [٨].
آقاي باجسيک وهمکارانش در سال ٢٠١١ به بررسي تاثير جهت ساخت و مسير نوار بر روي استحکام کششي قطعات FDM پرداختند.در مورد زاويه ي نواري بدين صورت است که ابتدا دورتادور با کانتورزني ايجاد مي شودو داخل آن با الگوهاي مختلف پر خواهد شد که در آنها زاويه نواري از ٠ تا ٩٠ درجه تغيير مي کند. جهت بررسي خواص مکانيکي از استاندارد آمريکايي ASTM D٦٣٨ استفاده گرديد و قطعات در ٣ جهت Y،Xو Z طبق شکل ٣ ايجاد گرديدند. بعد از اجراي آزمايش نتايج زير بدست آمد[٩] :
١- نتايج استحکام مکانيکي به ريز ساختار قطعات بستگي دارد که در نتيجه ي جهات مختلف ساخت است .
٢- بهترين نتايج در تمامي جهات ساخت با فاصله هوايي منفي بدست آمد. با عرض نوار بيشتر، استحکام کششي در قطعات با جهت ساخت X و Z بالاتر است ، در صورتي که عرض نوار کمتر منجر به بهبود استحکام در قطعات با جهت ساخت Y خواهد
شد.
شکل ٣ جهات مختلف ساخت
٣- بيان مساله
بارزترين محدوديت هاي روش هاي RP انتخاب مواد مناسب ، مدل سازي صحيح فرآيند و تعيين روابط بين پارامترهاي موثر در فرآيند مي باشد که اين امر در FDM نيز مورد بحث مي باشد که براي حل مشکلات فوق ، ارائه مدلي دقيق براي شبيه سازي اين فرآيند و تعيين روابط بين پارامترها مورد نياز مي باشد.
به طور کلي جهت شروع فرآيند مدلسازي به روش شبکه هاي عصبي مصنوعي ، در ابتدا نياز به داده هاي تجربي حاصل از آزمايشاتي نظير تست هاي کشش ، خمش ، فشار، ضربه مي باشد.
در تحقيق حاضر، به خاطر عدم امکان انجام آزمايش هاي متنوع و تغيير پارامترهاي ساخت در داخل کشور، براي مدل سازي فرآيند FDM از نتايج تجربي تحقيقات انجام شده آنوپ کومار[٣]
استفاده شده است . جهت ارزيابي و صحه گذاري بر نتايج حاصل ، در انتهاي پروژه دو آزمايش تجربي ديگر انجام مي شود که در آنها ساخت قطعات براي تست ، بر اساس استاندارد هاي ISO R٥٢٧ و با تعيين يکسري پارامترهاي متغير و ثابت صورت مي پذيرد.
در اين تحقيق با استفاده از روش Artificial Neural (ANN)Network که در فارسي «شبکه ي عصبي مصنوعي »
ناميده مي شود، به مدل سازي روابط بين اين پنج پارامتر پرداخته مي شود. در تحقيق حاضر، براي مدل سازي فرآيند FDM از نتايج تجربي تحقيقات آنوپ کومار، اطلاعات و داده هاي به دست آمده از پروژه ها و مقالات خارجي و داخلي استفاده شده و جهت آموزش شبکه عصبي ، اين اطلاعات وارد برنامه EasyNN مي شود. در اين برنامه يک مدل با شبکه عصبي چند لايه ، جهت بهينه سازي اثر پارامترهايي نظير عرض نوار، زاويه نوار، جهت ساخت ، فاصله هوايي و دماي ماده ترموپلاست و ... نسبت به خواص مکانيکي ايجاد مي شود. در انتهاي پروژه ، دوعدد آزمايش تجربي جهت ارزيابي نتايج و مقايسه آنها با مدلسازي حاصل انجام شده است که نتايج حاصل از آن مويد مدلسازي صحيح ، در اين پروژه است .
٤- روش اجراي تحقيق
ابتدا در مورد استفاده از داده هاي آنوپ کومار در تحقيق توضيح داده خواهد شد و سپس ، نحوه ي مدل سازي فرآيند با يک شبکه ي عصبي مصنوعي (پرسپترون چند لايه ) تشريح خواهد شد. در بخش بعدي ، روش ساخت قطعه ي آزمايشي تشريح خواهد شد. بررسي دقيق تر نتايج حاصل از اين مدل سازي در قسمت آخر مورد بحث و بررسي قرار خواهد گرفت .
۴-۱- جمع آوري داده ها
مهم ترين قسمت در FDM انتخاب نوع و ميزان پارامترها مي باشد. با توجه به اينکه در فرآيند FDM نيز پارامترهاي زيادي موثر هستند، انتخاب پارامترهاي مورد بررسي از داده هاي تحقيق آقاي آنوپ کومار صورت مي پذيرد. انتخاب ميزان پارامترها يعني سطح مجاز ماکزيمم و مينيمم ، بر اساس کارآيي دستگاه ، تجربيات و کاربري واقعي آن صورت پذيرفته
است
آقاي آنوپ جدا از دو حالت ١+ و ١- ، براي تعيين مقدار خطا از نقطه مرکزي (zero level) نيز استفاده کرد و با توجه به محدوديت هاي دستگاه از را در نظر گرفت (طبق جدول ١ در پيوست ). در اين جدول از نيمه فاکتوريل و ١٠ عدد آزمايش به صورت محوري و ٦ عدد به صورت نقطه ي مرکزي جهت تعيين مقدار خطا در نظر گرفته شد که در پروژه ي اينجانب از اطلاعات داده ي ١ تا ٢٧ استفاده گرديده است .
۴-۲- مدل سازي فرآيند FDM به روش شبکه ي عصبي مصنوعي
نتايج به دست آمده از تحقيق تجربي آنوپ کومار که به صورت جدول ١ پيوست گزارش شده بود، در تحقيق حاضر از آن ، به عنوان ورودي هاي مشخص مسأله ، براي مدل سازي فرآيند FDM توسط شبکه ي عصبي مصنوعيِ پرسپترون چند لايه با به کارگيري نرم افزار Easy NN-plus استفاده شده است .
براي مدل سازي فرآيند FDM توسط شبکه ي عصبي مصنوعيِ پرسپترون چند لايه ، ضخامت لايه ، جهت ساخت ، زاويه ي نواري ، عرض نوار و فاصله ي هوايي به عنوان پارامترهاي ورودي ؛ و مقدار استحکام کششي به عنوان خروجي مدل سازي شدند. همچنين ، از ٢٧ نمونه براي آموزش نرم افزار و از نمونه هاي ٠، ١٣ و ١٨ براي اعتبارسنجي آن استفاده شده است .
شکل ٤ مدل پرسپترون چندلايه ي توسعه يافته در اين تحقيق را نشان مي دهد. همان طور که در شکل مشخص است ، اين مدل داراي يک لايه ي مخفي مياني با پنج گره است که اين تعداد بهينه بوده و به پاسخ مناسب در تحليل نهايي منجر شده است . گره هاي زرد در چپِ تصوير پارامترهاي ورودي (از بالا به پايين ، به ترتيب : ضخامت لايه ، جهت ساخت ، زاويه ي نواري ، عرض نوار و فاصله ي هوايي ) و گره ي بنفش در راستِ تصوير پارامتر خروجي (Tensile strength) را نشان مي دهد. نرخ آموزش بهينه در اين مدل سازي ٠,٧ و ضريب مومنتوم ٠,٨
انتخاب شده است .
شکل ٤ - مدل پرسپترون چندلايه ي مورد استفاده در اين تحقيق
براي پايان آموزش نرم افزار خطاي آموزش ميانگين کمتر از ٠.٠١ به عنوان هدف مشخص شد، همچنين به نرم افزار دستور داده شد که در صورت افزايش خطاي اعتبارسنجي آموزش را متوقف کند. نرم افزار توانست پس از طي ١٣٠١ سيکل آموزشي به خطاي آموزش ٠,٠٠٣٧٦٨ و خطاي اعتبارسنجي ٠,٠٣٩٢٠٠ دست يابد و بنابراين ، آموزش پس از اين تعداد سيکل متوقف شد که تمام اين موارد در شکل ٥ در قسمت جزئيات شبيه سازي مشخص گرديده است .
