تخمین استحکام فشاری ماسه ریخته‌گری در مقادیر مختلف رطوبت با استفاده از شبکه عصبی مصنوعی

محورهای موضوعی : Manufacturing process monitoring and control

رامین مشک آبادی ¹ (مربی گروه مکانیک، دانشگاه آزاد اسلامی واحد اهر)
غلامرضا مرامی ² (کارشناس ارشد مهندسی مکاترونیک، دانشگاه تبریز)
کمال جهانی ³ (استادیار، دانشکده مهندسی مکانیک، دانشگاه تبریز)

تاریخ دریافت : 1392/10/19 تاریخ پذیرش : 1392/10/19 تاریخ انتشار : 768/08/11

کلید واژه: شبکه عصبی مصنوعی, استحکام فشاری, ماسه ریخته‌گری, رطوبت,

چکیده مقاله :

کیفیت قطعات ریخته‌گری درقالب‌گیری ماسه به‌طور چشم‌گیری به خواص ماسه‌ی 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، از شبکه عصبی مصنوعی برای بررسی تاثیر میزان رطوبت در استحکام فشاری ماسه استفاده شده است. آزمایش‌های عملی متعددی برای به‌دست آوردن داده‌های مورد نیاز برای مدل‌سازی صورت گرفته است. مخلوط‌های مختلف ماسه با درصدهای متفاوت رطوبت آماده شده و میزان استحکام فشاری ماسه برای هر کدام از آن‌ها تعیین شد. سپس مدل‌های شبکه عصبی با استفاده از نتایج آزمایش‌ها آموزش و تست شد. نتایج حاصل از شبکه با نتایج آزمایش‌های عملی جدید مورد مقایسه قرار گرفتند که نشان می‌دهند با استفاده از شبکه عصبی با دقت خوبی می‌توان استحکام فشاری ماسه را قبل از استفاده برای قالب‌گیری تخمین زد.

منابع و مأخذ:

1- Srinagesh K., Seshadri M., Ramchandran A.,  On the compaction of bonded grains, AFS Trans.74, pp. 27- 36, 1966.

2- Dietert H.W., Brewster F.S., Graham A.L.,A straight line approach to sand control, AFS Trans. 74 , pp. 101- 111,1966.

3- Zrimsek A.H., Heine R.W., Clay, fines, and water relationships for green strength in molding sands, Transactions of AFS. 63, pp. 575–581,1955.

4- Brewster F.S., Practical moulding sand control, Foundry 82, 11, pp. 102–107.

5- Chang Y., Hocheng H., The flow ability of moldings sand, Journal of Materials Processing Technology, 113, pp. 238- 244,2001.

6- Kundu R.R., Lahiri B.N.,2008, Study and statistical modeling of Green Sand Mould properties using RSM, International Journal of Materials and Product Technology, 31, pp. 143-158.

7- Benny Karunakar, D.,  Datta, G.L., Controlling green sand mould properties using artificial neural networks and genetic algorithms - A comparison, Applied Clay Science, 37, pp. 58-66,2007.

8- Nagurbabu N., Ohdar R.K., Push P.T.,Application of Intelligent Techniques for Controlling the Green Sand Properties, proceeding of 55^th Indian Foundry Congress, 2007.

9- Parappagoudar M. B., Pratihar D.K., Datta G.L., Forward and reverse mappings in green sand mould system using neural networks, Applied Soft Computing 8, pp. 239–260, 2008.

10- D.B.Karunakar, 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.

11- Karunakar D.B., Datta G.L., Modeling of green sand mould parameters using artificial neural networks, Indian Foundry Journal, 49, pp. 27–36,2003.

12- Liu W., Structural dynamic analysis and testing of coupled structures, Ph.D. Dissertation, Mechanical Engineering Dept., University of London, London SW7, 2000.

13- Jahani K., Nobari A.S., Identification of Damping and Dynamic Young’s Modulus of a Structural Adhesive Using Radial Basis Function Neural Networks and Modal Data ,Experimental Mechanics , 50,  pp. 607-619,2009.

14- Attalla M.J., Inman D.J., On Model Updating Using Neural Networks, Journal of Mechanical Systems and Signal Processing, 12, pp. 135-161,1998.

15- Mold and Core Test Handbook, 3^rd Edition, American Foundry men's Society (AFS), 1980.

16- Foundry Sand Handbook, 7^th Edition, American Foundry men's Society (AFS), 1963.

17- فتحی ، م. ح. ، مواد قالبگیری برای ریخته‌گری فلزات ، نشر ارکان ، تهران، 1386.