بهینه سازی چند هدفه مسیر بارگذاری هیدروفرمینگ لوله y-شکل با استفاده از شبکه عصبی و الگوریتم ژنتیک

با توجه به کاربرد روز افزون قطعات لوله ای شکل در صنایع مختلف، استفاده از روش هیدروفرمینگ لوله بسیار گسترش یافته است. موفقیت این روش تا حد زیادی به کنترل پارامتر های فرآیند از جمله پارامتر های مسیر بارگذاری بستگی دارد. در این پژوهش به معرفی روشی مناسب برای تعیین مقادیر بهینه پارامتر های مسیر بارگذاری در فرآیند هیدروفرمینگ لوله y-شکل پرداخته شده است. در فرآیند هیدروفرمینگ لوله رابطه تحلیلی مناسبی میان پارامتر های مسیر بارگذاری و شاخص های شکل پذیری وجود ندارد. بدین سبب از شبکه های عصبی مصنوعی برای مدلسازی رفتار تغییر شکل لوله بر حسب مسیر های بارگذاری استفاده شده است و عملکرد مدل شبکه عصبی با استفاده از چند معیار مورد ارزیابی قرار گرفته است. از روش طراحی آزمایش ها بر مبنای روش تاگوچی برای طراحی آزمایش های مورد نیاز جهت آموزش و آزمون شبکه عصبی استفاده می شود. آزمایش های طرح شده با استفاده از تحلیل اجزاء محدود توسط نرم افزار آباکوس شبیه سازی می گردد. به منظور طراحی بهینه مسیر های بارگذاری، رویکرد بهینه سازی چند هدفه با ماکزیمم کردن همزمان بیشترین ارتفاع بادکردگی و کمترین ضخامت لوله، بکار گرفته شده است. بهینه سازی چند هدفه توسط الگوریتم ژنتیک مرتب سازی نامغلوب (nsga-ii) اجرا گردیده و مجموعه نقاط بهینه پارتو در فضای جستجو بدست آمده است. همچنین توزیع توابع هدف بر اساس پارامترهای بارگذاری، برای نقاط بهینه مجموعه پارتو مورد مطالعه قرار گرفته است. در ادامه با توجه به اطلاعات مبتنی بر سلایق کاربران، مسیر بارگذاری نهایی از میان مجموعه بهینه پارتو تعیین گردیده است. مقایسه نتایج حاصل از اعمال مسیر های بارگذاری بهینه با نتایج تجربی در سایر منابع، قابلیت و توانایی روش ارائه شده در پیش بینی مسیر های بارگذاری بهینه را نشان می دهد.