برآورد استحکام فشاری ماسه ریخته گری در مقادیر گوناگون رطوبت با استفاده از شبکه عصبی مصنوعی

الموضوعات : فصلنامه علمی - پژوهشی مواد نوین

رامین مشک آبادی ¹ , غلام رضا مرامی ² , کمال جهانی ³

1 - مربی گروه مکانیک، دانشگاه آزاد اسلامی واحد اهر
2 - کارشناس ارشد مهندسی مکاترونیک، دانشگاه تبریز.
3 - استادیار، دانشکده مهندسی مکانیک، دانشگاه تبریز.

تاريخ الإرسال : 10 الإثنين , ذو القعدة, 1434 تاريخ التأكيد : 10 الإثنين , ذو القعدة, 1434 تاريخ الإصدار : 17 الإثنين , ذو القعدة, 1434

الکلمات المفتاحية: ماسه ریخته گری, رطوبت, استحکام فشاری, شبکه عصبی مصنوعی,

ملخص المقالة :

کیفیت قطعات ریخته گری در قالب گیری ماسه به گونه‌ای چشم گیر به خواص ماسه مورد استفاده از قبیل استحکام فشاری، نفوذپذیری، سختی قالب و... بستگی دارد که این خواص نیز به پارامترهایی مانند رطوبت، اندازه و شکل دانه ماسه، میزان چسب و... بستگی دارند. در این مقاله، تعداد 84 آزمایش عملی برای بدست آوردن داده های مورد نیاز برای شبیه سازی که همان استحکام فشاری ماسه در درصد رطوبت های معین بودند، انجام گرفته است و روش پژوهش بر مبنای استفاده از مدل های شبکه عصبی بمنظور برآورد استحکام در درصدهای رطوبت دیگر می باشد. مقایسه نتایج بدست آمده از مدل با نتایج آزمایش های عملی جدید نشان می دهند که با استفاده از شبکه عصبی می­توان با دقت بالایی استحکام فشاری ماسه را پیش از استفاده برای قالب گیری تا میزان خطای کم‌تر از 1% تخمین زد.

المصادر:

1- K.G. Swift and J.D. Booker, Casting

Processes, Manufacturing Process

Selection Handbook, pp. 61-91, 2013.

2- Y. Chang, and H. Hocheng, "The

flow ability of moldings sand", Journal

of Materials Processing Technology,

Vol.113, pp. 238- 244, 2001.

3- R. R. Kundu, and B.N. Lahiri,

"Study and Statistical Modeling of

Green Sand Mould Properties Using

RSM", International Journal of

Materials and Product Technology,

Vol. 31, No. 2-4, pp.143-158, 2008.

4- Benny Karunakar, D., Datta, and

G.L., "Controlling Green Sand Mould

Properties Using Artificial Neural

Networks and Genetic Algorithms - A

Comparison ", Applied Clay Science,

Vol. 37, No. 1-2, pp. 58-66. , 2007.

5- N. Nagurbabu, R.K.Ohdar, and P.T.

Push, "Application of Intelligent

Techniques for Controlling the Green

Sand Properties ", Proceeding of 55th

Indian Foundry Congress, pp.178-186,

2007.

6- M. B. Parappagoudar, D.K. Pratihar,

and G. L. Datta, "Forward and reverse

Mappings in Green Sand Mould

System Using Neural Networks",

Applied Soft Computing, Vol.8,

pp.239–260, 2008.

7- D. B. Karunakar, and G.L. Datta,

"Modeling and Optimization of Green

Sand Mould Parameters Using Genetic

Algorithms", Transactions of Institute

of Indian Foundry Men, Vol.51, pp.

262–267, 2003a.

8- D. B. Karunakar, and G.L. Datta,

"Modeling of green sand mould

parameters using artificial neural

networks", Indian Foundry Journal,

Vol.49, No.12, pp. 27–36, 2003b.

9 -ح. مناجاتی زاده، د. آصفی، ا. قدمیار، م. م. عقیده، ا.

انصاری پور و احمد رضا سـلیمی، " بررسـی و تحلیـل

تأثیر شرایط تولید بر مقاومت به ضربه فولادهای میکرو

آلیاژی مورد استفاده در لوله سازی با استفاده از شبکه

عصبی،" مجله علمی – پژوهشی مواد نوین، شـماره 7،

 .1391 بهار، 10-1 ص

10- M.J. Attalla, and D.J. Inman, "On

Model Updating Using Neural

Networks", Journal of Mechanical

Systems and Signal Processing, Vol.12,

No.1, pp.135-161, 1998.

11- Mold and Core Test Handbook, 6th

Edition, American Foundry Society

(AFS), 2012.

12- C. Saikaew, and S. Wiengwiset,

”Optimization of Molding Sand

Composition for Quality Improvement

of Iron Castings”, Applied Clay

Science, Volumes 67–68, pp. 26-31,

2012.

13 -م. ح. فتحی ، " مواد قالبگیری برای ریختـه گـری

فلـــــزات "، نـــــشر ارکـــــان ، تهـــــران، 1386.