مدلسازی و بهینه سازی تاثیر پارامترهای مؤثر در عملیات اسیدشویی آلیاژ تیتانیم با استفاده از روش شبکه عصبی مصنوعی و الگوریتم ژنتیک

برای حذف لایه آلفای سطحی از سطح  قطعات فورج داغ شده از جنس آلیاژ تیتانیم و بهبود کیفیت سطح معمولاً از فرآیند اسیدشویی استفاده می شود. با توجه به اثر متقابل پارامترهای مؤثر در این فرآیند، بررسی تاثیر پارامترها بر کیفیت سطح قطعه و میزان باربرداری و  بهینه سازی آنها، نیازمند انجام آزمایشات تجربی و استفاده از روشهای مدلسازی است. در این تحقیق، تاثیر پارامترهای دما، مدت عملیات، غلظت اسید های هیدروفلوریک و نیتریک بر توابع پاسخ زبری سطح قطعه و عمق باربرداری، مدلسازی و بهینه سازی می شود. ابتدا با طراحی آزمایشات با روش تاگوچی و انجام آنها، تاثیر پارامترهای مذکور بر توابع پاسخ با روش شبکه عصبی مصنوعی مدلسازی می شود و با استفاده از این مدل تاثیر پارامترهای ورودی بر زبری سطح قطعه و عمق باربرداری بررسی می گردد. سپس با ترکیب روش الگوریتم ژنتیک و شبکه عصبی، مقدار بهینه پارامترهای ورودی بدست  می آید. نتایج نشان می دهد که شبکه عصبی پیش خور سه لایه ای با الگوریتم آموزش پس انتشار لونبرگ-مارکوارت با ده گره برای لایه پنهان با دقت بالایی زبری سطح و عمق باربرداری را برحسب پارامترهای ورودی مدلسازی می کند. با افزایش دما و درصد اسید هیدروفلوریک، عمق باربرداری بیشتر می شود و درصد اسید نیتریک و دمای عملیات در تاثیر بر عمق باربرداری باهم اثر متقابل دارند. مدت عملیات در زبری سطح تاثیر قابل توجهی ندارد و با افزایش دما در درصدهای پایین اسید هیدروفلوریک، زبری سطح کاهش می یابد اما در درصدهای بالای اسید، زبری سطح افزایش می یابد.