معرفی مدلی برای تخمین کیفیت قطعات فلزی با استفاده از شبکه عصبی و الگوریتم تکاملی فاخته

معمولاً برای افزایش کیفیت قطعات پیشنهاد می شود خواص فیزیکی آنها، همچون استحکام کششی، چقرمگی، سختی و جز این ها، در حین فرایند تولید یا پس از آن ارزیابی شود. این در حالی است که اندازه گیری های مخرب در غالب موارد پرهزینه اند؛ بنابراین استفاده از روش های غیرمخرب برای ارزیابی خواص فیزیکی مواد، خصوصاً در خطوط تولید، امری منطقی به نظر می رسد. سختی مواد از جمله پارامترهایی است که به کمک آن می توان ریزساختار ماده همچون اندازه دانه، نوع و مقدار فاز و پارامترهای دیگر را در حین تولید حدس زد. در این مقاله سعی شده است با استفاده از روش های هوش مصنوعی، سختی قطعات با استفاده از امواج فراصوتی تخمین زده و پیش بینی شود. برای این منظور از نمونه های فولاد ضد زنگ سی. 304[i]، که با تغییر دما و زمان عملیات آنیل ریزساختار متفاوتی پیدا کرده، استفاده شده است. این مقاله درپی مدلی مطلوب برای تخمین سختی و استهلاک است. روش مورد استفاده در این پژوهش شبکه عصبی است. شبکه عصبی مورد نظر با استفاده از الگوریتم تکاملی فاخته بهبود بهبود یافته و ترکیب شده است. نتایج مدل ترکیبی ارائه شده rmse=0.1523  و r2=0.98 است. نتایج مدل مذکور نشان دهنده مناسب بودن آن برای تخمین و پیش بینی کیفیت قطعات می باشد. [i]. c 304