پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 687 |
| تعداد مقالات | 9,985 |
| تعداد مشاهده مقاله | 70,959,065 |
| تعداد دریافت فایل اصل مقاله | 62,423,257 |
بهینه سازی برشکاری جت آب همراه با ذرات ساینده با استفاده از روش شبکه عصبی - الگوریتم ژنتیک | ||
| مدل سازی در مهندسی | ||
| مقاله 3، دوره 8، شماره 23، دی 1389، صفحه 25-35 اصل مقاله (581.16 K) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1572 | ||
| نویسندگان | ||
| حسین امیرآبادی* ؛ حسین امیرآبادی* ؛ جواد عاشوری؛ فرشید جعفریان | ||
| تاریخ دریافت: 09 بهمن 1395، تاریخ بازنگری: 02 اسفند 1404، تاریخ پذیرش: 09 بهمن 1395 | ||
| چکیده | ||
| در این پژوهش، روش شبکه عصبی- الگوریتم ژنتیک برای بهینه سازی صافی سطح در برشکاری شیشه توسط فرآیند برشکاری جت آب همراه با ذرات ساینده پیشنهاد شده است. از شبکه عصبی مصنوعی برای مدلسازی و پیش بینی زبری سطح با توجه به پارامترهای فرآیند شامل فشار جت آب، سرعت پیشروی، نرخ ریزش ذرات ساینده و فاصله نازل تا سطح قطعه کار استفاده شده است. مقایسه نتایج به دست آمده از مدل شبکه عصبی با نتایج به دست آمده از آزمایشهای انجام گرفته نشان میدهد که مدل شبکه عصبی دقت بالایی برای پیشبینی زبری سطح دارد. سپس از الگوریتم ژنتیک جهت بهینه سازی مدل پیشنهادی مذکور استفاده و شرایط بهینه به دست آمده برای کمترین زبری سطح برش خورده در برشکاری شیشه توسط فرآیند جت آب همراه با ذرات ساینده با استفاده از روش شبکه عصبی- الگوریتم ژنتیک ارایه شده است. نتایج به دست آمده از این روش نشان میدهد که روش شبکه عصبی- الگوریتم ژنتیک یک راه حل مناسب برای بهینه سازی فرآیند برشکاری جت آب همراه با ذرات ساینده است. | ||
| کلیدواژهها | ||
| برشکاری جت آب همراه با ذرات ساینده؛ شبکه عصبی؛ الگوریتم ژنتیک | ||
| عنوان مقاله [English] | ||
| Optimising the Abrasive Water Jet Cutting of Glass Using Artificial Neural Network and Genetic algorithm | ||
| نویسندگان [English] | ||
| Amirabadi؛ Amirabadi؛ Ashori؛ Jafarian | ||
| چکیده [English] | ||
| This paper proposes a hybrid approach based on the Artificial Neural network and Genetic algorithm to optimize surface roughness at the abrasive water jet (AWJ) cutting of glass material. At first, Artificial Neural Network (ANN) was developed in order to model and predict surface roughness by considering the controllable cutting parameters such as water pressure, abrasive flow rate, jet traverse rate and stand of distance. Then the results of the neural network were compared with corresponding experimental tests. According to the obtained results, it was shown that the ANN model is able to present a predictive model of the process in order to estimate the surface roughness successfully. After that, ANN model was combined by genetic algorithm to obtain suitable machining parameters yield to minimal surface roughness. Finally, obtained results showed that, utilized hybrid technique in this paper was employed properly for optimizing AWJ cutting process. | ||
| کلیدواژهها [English] | ||
| Abrasive Water Jet Cutting (AWJ), Optimization, Genetic Algorithm (GA), Artificial Neural Network (ANN), Glass | ||
|
آمار تعداد مشاهده مقاله: 1,358 تعداد دریافت فایل اصل مقاله: 796 |
||