بخشی از مقاله
چكيده:
امروزه استفاده از آلياژهاي آلومينيوم در صنايع مختلف از جمله هوافضا و خودروسازي به دليل داشتن خواصي مانند نسبت استحكام به وزن مناسب و مقاومت در مقابل خوردگي و خستگي بالا، روند رو به رشدي دارد. يكي از روشهاي اصلي ايجاد اتصال بين ورقهاي فلزي جوشكاري است كه در اين ميان جوشكاري TIG يكي از پركاربردترين فرآيندهاي اتصال دائمي براي اين آلياژها مي باشد.
بنابراين دستيابي به رويه هاي جوشكاري كه منجر به توليد اتصالات جوشي با خواص مكانيكي و متالوژيكي مطلوب شوند، از اهميت بسزايي برخوردار است.در اين مقاله به منظورتعيين تاثير پارامترهاي تنظيمي و يافتن مقادير بهينه آنها در جوشكاري آلومينيوم - سري - 5XXX از رويكرد طراحي آزمايشات و الگوريتمهاي فرا ابتكاري، استفاده مي گردد.مشخصه هاي كنترلي مورد ارزيابي نيز شامل جريان، ولتاژ، سرعت جوشكاري، فركانس جريان و فاصله گپ خواهد بود. مشخصههاي مورد ارزيابي هندسه گرده جوش ميباشد.
براي ايجاد ارتباط بين پارامترهاي جوشكاري و مشخصههاي خروجي فرآيند از مدلسازي شبكه هاي عصبي مصنوعي استفاده ميگردد.
مشخصه هاي كنترلي مورد ارزيابي نيز شامل جريان، ولتاژ، سرعت جوشكاري، فركانس جريان و فاصله گپ خواهد بود. مشخصههاي مورد ارزيابي هندسه گرده جوش ميباشد.
١. مقدمه
ANN، به طور گسترده در تحقيقات هوش مصنوعي و در جايي كه يك تابع تقريبي براي نگاشت غير خطي بين پارامترهاي ورودي و خروجي نياز است، كاربرد دارد.
در شبكه هاي عصبي وزن هاي اوليه، انتخاب تابع فعال سازي و انتخاب تعداد نرون هاي استفاده شده در لايه مياني - پنهان - به عنوان فاكتورهاي يادگيري در نظر گرفته ميشوند. شناخت وانتخاب صحيح اين فاكتورها مهم است. زيرا آنها نه تنها برروي همگرايي شبكه تاثير دارد، بلكه بر روي دقت پيش بيني و تخمين نيز موثرند. در اينجا از يك ساختار شبكه كه داراي سه نرون در لايه ورودي و يك نرون در لايه خروجي استفاده مي شود. سپس تعداد لايه هاي پنهان و نرون موجود در هر لايه مشخص مي گردد.
مشخصه هاي كنترلي مورد ارزيابي نيز شامل جريان، ولتاژ، سرعت جوشكاري، فركانس جريان و فاصله گپ خواهد بود. مشخصههاي مورد ارزيابي هندسه گرده جوش ميباشد.
براي ايجاد ارتباط بين پارامترهاي جوشكاري و مشخصههاي خروجي فرآيند از مدلسازي شبكه هاي عصبي مصنوعي استفاده ميگردد.
مدل شبكه عصبي:
در حالت بهينه - كمترين ميزان خطاي تست - داراي ثابت يادگيري 0.05 ، مومنتوم 0.9، سرعت افزايش گام 1.05 و سرعت كاهش گام 0.7 بود و براي 20000 تكرار، آموزش ديده شد.
تعدادلايه هاي مياني مناسب از بين دو لايه و تعداد نرون هاي مناسب در لايه هاي مياني از بين ١٦ نرون انتخاب گرديد. در بيشتر برنامه هاي اجرا شده داشتن يك لايه مياني با تعداد چهار نرون، خطاي كمتري را ارايه ميداد و در برخي مراحل تعداد لايه هاي زياد فقط باعث كاهش سرعت و همچنين كاهش دقت شبكه مي شد. در نهايت يك ساختار شبكه بهينه 3 4 1 براي انجام مدل سازي استفاده شد.
براي انتخاب وزن ها و باياس هاي مناسب شبكه از الگوريتمهاي مختلف مانند: روش "لونبرگ_ ماركوآت"، "كاهش شيب با مومنتوم"، "كاهش شيب با مومنتوم و با نرخ يادگيري متغير" استفاده شد. از داده هاي آزمايشگاهي به عنوان الگوهاي يادگيري استفاده گرديد.
٢٢ داده براي آموزش شبكه عصبي و ٥ داده براي تست استفاده شد. در اين بررسي ساخت شبكه و آموزش آن با استفاده از يك كامپيوتر 2.0 GHz PC وRAM 1GB، با كمك نرم افزارMATLAB 2006 اجرا شد. الگوريتم مناسب از بين ساير روش هاي ذكر شده، كه كمترين ميزان خطا در تست را ارائه ميداد، الگوريتم "كاهش شيب با مومنتوم و با نرخ تانژانت هيپربوليك به ترتيب براي لايه هاي ورودي، مياني و خروجي انتخاب شد.
شكل - ٦ - ميزان Mean Square Error را براي يك مرحله اجراي الگوريتم و براي 4000 تكرار نشان مي دهد. بعد از يك بار اجرا، اين الگوريتم تعميم داده شد و براي 50 تكرار اجرا گرديد تا بدين شيوه ميزان خطا به كمترين مقدار برسد. تعداد تكرار كلي الگوريتم مستلزم صرف زمان بيشتري است. در انتهاي اين روش مقادير مناسب براي وزنها و باياس ها استخراج شد.
طراحي آزمايشات:
در اين تحقيق براي جوشكاري نمونه هاي مورد مطالعه برخلاف اكثر مقالات گذشته از روش جوشكاري الكترود تنگستن با جريان متناوب استفاده شده است بنا بر اين جريان پايه و جريان اوج كه در جوشكاري پالسي جزو عوامل اصلي قابل كنترل هستند وجود ندارند.
اجراي آزمايشات:
در اين تحقيق از ورقي از جنس آلومينيوم٥٠٥٢باضخامت ٢ ميلي متربراي تامين نمونه هاي مورد نياز براي جوشكاري استفاده شده است.جدول تركيب شيميايي نمونه ورق از طريق آزمايش طيف سنجي كه با نام كوانتومتري شناخته ميشودبدست آمده است.
نمونه هاي مورد استفاده براي جوشكاري به صورت قطعاتي با ابعاد ١٠٠*٥٠ ميليمتر برش داده شدند.سپس لبه هاي آنها بمنظور آماده سازي براي جوشكاري از هر گونه آلودگي و لايه اكسيدي توسط سمباده و برس سيمي زدوده شدند.سپس سطح مجاور لبه ها بوسيله الكل از مواد روغني و اثرات بجا مانده از مراحل قبل پاك گرديد.
از آنجاكهنوع اتصال مورد نظر براي نمونه هاي جوش در اين تحقيق از نوع لب به لب براي اجراي هر آزمايش دونمونه بر روي ميز اتوماتيك طراحي شده به اين منظور در كنار يكديگر مستقر وبه وسيله روبندهايي گيره بندي شده اند.جوشكاري نمونه هاتحت گاز محافظ آرگون با خلوص ٧/٩٩ در صد و با استفاده از دستگاه جوش الكترود تنگستن مدل ديجي تيگ ساخت شركت گام الكتريك انجام شد.
مدل :SA
در اين روش سعي شد با كمك الگوريتم SAعمليات آموزش شبكه عصبي انجام گردد. براي آموزش شبكه ابتدا دادههاي آموزشي نرمالايز ميشوند. اين كار از بروز مشكلات بعدي در شبكه جلوگيري مي كند. سپس توابع فعال سازي متداول در هر سه لايه براي رسيدن به خطاي آموزش كمتر، بكار گرفته شد.
در اين برررسي ٦ مدل مناسب براي دست يابي به كيفيت مطلوب جوش كه از دقت قابل قبولي برخوردار بودند، ارايه شد. اين مدل ها عبارتند از: مدل هاي رياضي - خطي مرتبه اول، چند جمله اي مرتبه دوم، منحني الخط - ، SA، NN و .SANN سپس بهترين مدل از بين آنها انتخاب گرديد. در ادامه با كمك الگوريتم SA مقادير بهينه پارامترهاي جوشكاري ارايه شد. از آنجا كه پارامترهاي مناسب فرآيند براي حصول جوش مطلوب حاصل از انجام آزمايش در مقاله مرجع]٩[ وجود داشت، با مقايسه اين مقادير مي توان بار ديگر از دقت الگوريتم ارايه شده اطمينان حاصل كرد.
