ترجمه بهینه­ سازی پارامترهای جوش قوس الکتریکی زیرپودری با استفاده از تکنیک­های غیرمرسوم

توضیحات

 عنوان فارسی: بهینه­ سازی پارامترهای جوش قوس الکتریکی زیرپودری با استفاده از تکنیک­های غیرمرسوم

عنوان انگلیسی مقاله ترجمه شده:

Performance analysis of TIG welding on al alloy by using taguchi method

بهینه­سازی پارامترهای جوش قوس الکتریکی زیرپودری با استفاده از تکنیک­های غیرمرسوم

چکیده:

در جوشکاری قوس الکتریکی زیرپودری (SAW)، کیفیت جوش بسیار تحت تاثیر پارامترهای جوشکاری از جمله، جریان جوش، سرعت جوش، ولتاژ قوس الکتریکی و طول موثر الکترود است زیراکه آنها ارتباط نزدیکی با هندسه­ی پاس جوشکاری دارند؛ رابطه­ای که به دلیل دارا بودن خصوصیات غیرخطی، پیچیده می­باشد. اگرچه، روش­های صحیح و خطا برای تعیین شرایط بهینه، زمان و هزینه­ی قابل توجهی را دربرمی­گیرد. به منظور رفع این مشکلات، روش­های غیر سنتی پیشنهاد شده­اند. تکنیک­های جوشکاری BOP بر روی صفحه­های فولادی و با استفاده از ماشین نیمه خودکار SAW، انجام شدند. داده­ها برای هر طراحی تاگوچی جمع­آوری گردید و تحلیل رگرسیون به منظور انتشار ارتباط ورودی-خروجی فرآیند، انجام شد. با استفاده از این رابطه، تلاشی به منظور حداقل­سازی عرض پاس جوش انجام شد که شاخص خوبی برای هندسه­ی جوش با استفاده از روش­های بهینه­سازی مبتنی بر الگوریتم ژنتیک (GA) و الگوریتم ازدهام ذرات (PSO) برای تعیین پارامترهای بهینه­ی جوش می­باشد. مقادیر بهینه­سازی بدست آمده از این روش­ها با نتایج تجربی مقایسه شده و ارائه گردیدند.

کلمات کلیدی: جوشکاری قوس الکتریکی زیرپودری، بهینه­سازی، پارامترهای جوش، الگوریتم ژنتیک، الگوریتم ازدهام ذرات

1) مقدمه:

      کیفیت جوش نقش مهمی را در بهبود استحکام، سختی و چقرمگی ماده ایفا می­کند. کیفیت قطعات جوش توسط پارامترهای مختلفی مانند هندسه پاس جوش، نرخ رسوب و سختی قابل ارزیابی می­باشد. این خصوصیات توسط تعدادی از پارامترهای جوش مانند جریان جوش، سرعت جوش، ولتاژ قوس الکتریکی و طول موثر الکترود قابل کنترل می­شند، در نتیجه به منظور بدست آوردن کیفیت خوب، تنظیم و استفاده از پارمترهای مناسب فرآیند جوشکاری از اهمیت ویژه­ای برخوردارست [9, 18].

      معمولا، پارامترهای مطلوب جوشکاری، توسط روش­های سنتی مانند تجربیات جوشکار، نمودارها و کتاب­های راهنما (مقادیر پیش­فرض) بدست می­آیند که ساده و کم هزینه هستند. سپس با بهره­گیری از کارشناسان جوشکاری، تکنیک­های کامپوتری پیشرفته به منظور کمک به مهندسان جوشکاری در تعیین شرایط جوش توسعه یافتند [5]. اما این مساله اطمینانی در موفقیت جوشکاری با بهره­گیری از این پارامترهای انتخاب شده را موجب نمی­شود و این روش در فرآیند جوشکاری نوین مناسب نمی­باشد. به منظور رفع این مشکل، روش­های متعددی برای یافتن مقادیر خروجی مطلوب توسط مدل­ها به منظور همبستگی مقادیر ورودی با مقادیر خروجی، توسعه یافته­اند. روشی که به صورت گسترده برای تعیین مدل جوشکاری استفاده می­شود، استفاده از تحلیل رگرسیون و طراحی تجربی است [24]. تکنیک های فاکتوریل جزء به جزء [8] به منظور پیش­بینی ابعاد پاس جوش در SAW خودکار استفاده شدند. سپس مدل­های ریاضی [19] به منظور پیش­بینی هندسه­ی پاس جوش برای جوشکاری توپودری استفاده می­گردند. روش­های مهندسی کیفیت تاگوچی با استفاده از طراحی آزمایشات، روشی سیستماتیک و کارآمد برای بهینه­سازی طراحی­ها از نظر عکلکرد، کیفیت و هزینه را فراهم می­سازند. این یکی از ابزارهای آماری مهم برای طراحی سیستم­هایی با کیفیت بالا در هزینه­ی کاهش یافته است [22]. روش تاگوچی و تحلیل رگرسیون برای تعیین پارامترهای فرآیند جوشکاری قوس الکتریکی زیرپودری اعمال می­گردد [14]. تحلیل رگرسیون چندگانه­ [23, 16, 15, 10] برای پیش­بینی پارامترهای فرآیند برای جوشکاری قوس الکتریکی تحت حفاظت گاز استفاده شده­اند. این تحلیل­ها در عملکرد به دلیل مشکلات مربوط به مدلسازی و وقت­گیر بودن، محدود هستند و دست ­و پاگیر می­باشند. با توجه به ناکارآمدی مدل­های ریاضی در توضیح خواص غیرخطی موجود بین پارامترهای ورودی و خروجی جوشکاری، سیستم­های هوشمند مانند شبکه­ی عصبی مصنوعی (ANN) و سیستم­های منطق فازی پدیدار شدند. شبکه­های عصبی مصنوعی [12, 17] به منظور پیش­بینی هندسه­ی پاس جوش و نفوذ در جوشکاری قوس الکتریکی تحت حفاظت، استفاده شدند. اگرچه آنها در مقایسه با مدل­های رگرسیون مرسوم دارای چندین مزیت بودند، مدل­سازی شبکه­های عصبی نیازمند زمان گسترده، تعداد زیادی نمونه و هزینه برای آموزش شبکه می باشد. اما بهینه­سازی با استفاده از مدلسازی رگرسیون، شبکه­ی عصبی و روش­های تاگوچی تنها زمانی می­توانند موثر واقع شوند که فرآیند جوشکاری نزدیک به شرایط بهینه و یا در یک محدوده عملیاتی پایدار [13] تنظیم شده باشد. به منظور حل مشکل بالا، روش­های غیر مرسوم برای یافتن را­حل بهینه استفاده می­شوند. الگوریتم ژنتیک [6] ابزار موثری در یافتن شرایط نزدیک به مطلوب است. نیازی به توابع هدف ندارد اما برای بهینه­سازی تنها به مقادیر هداف نیاز دارد. بنابراین، این روش نمی­تواند برای پدیده­های نامطلوب از قبیل فوران پذیرفته شود. این الگوریتم نیازمند تعداد زیادی آزمایش است، با این حال برای یافتن شرایط نزدیک به بهینه مطلوب است. علاوه بر این، الگوریتم نمی­تواند یک مدل ریاضی بین متغیرهای ورودی و خروجی تولید کند. الگوریتم ژنتیک برای بهینه­سازی پارامترهای جوشکاری قوس الکتریکی [11, 13]،  جوشکاری قوس الکتریکی زیرپودری در فرآیند [1] و هندسه­ی پاس در ورقه­های فولادهای زنگ نزن آستنیتی قوس الکتریکی منتقل شده­ی پلاسما، استفاده شد [21]. PSO روش غیرمرسوم دیگر است که از توانایی گروهی پرندگان، ماهی­ها و گله­ی حیوانات برای انطباق با محیط خود، یافتن منابع غنی مواد غذایی و بازداشتن شکارچیان با اجرای رویکرد به اشتراک ­گذاری اطلاعات، الهام گرفته است [4]. اخیرا، بهینه­سازی پارامترهای مشینی برای عملیات فرزکاری و پارامترهای جوشکاری سایش با استفاده از الگوریتم ازدهام ذرات انجام می­شود [2, 20]. این مقاله رویکرد روش تاگوچی و تکنیک­های غیر مرسوم، تکنیک­های محاسباتی PSO و GA را به منظور یافتن مجموعه­ای بهینه از مقادیر فرآیند جوشکاری را بررسی می­نماید که عرض پاس مطلوب جوش را در جوش قوس الکتریکی زیرپودری فولاد تولید می­کند. نتایج بدست آمده مقایسه و ارائه می­شوند.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.