مهسا حق دوست

Machine Learning Prediction of Ti-6242 Alloy’s Deformation Behavior in Hot Pressing Considering Friction an‎d Adiabatic Heating

آلياژ تيتانيومTi-6242 به دليل دارا بودن مقاومت خزشي و پايداري حرارتي بالا، به‌طور گسترده در قطعات دما‌ بالاي صنايع هوافضا، توربين و موتورهاي جت به كار مي‌رود. رفتار مكانيكي اين آلياژ در فرآيندهاي تغييرشكل گرم، به شدت وابسته به دما، نرخ كرنش، و شرايط تماس نمونه با قالب است. از سوي ديگر، عوامل جانبي مانند اصطكاك در سطح تماس و گرمايش آدياباتيك ناشي از تغييرشكل پلاستيك سبب ايجاد انحراف در منحني‌هاي تنش-كرنش و بروز خطا در تعيين رفتار واقعي سيلان ماده مي‌شوند. از اين ‌رو، بررسي دقيق اثر اين عوامل و تصحيح داده‌هاي تجربي، براي تحليل صحيح رفتار تغييرشكل و طراحي بهينه‌ي فرآيندهاي صنعتي ضروري است. در همين راستا هدف اصلي پژوهش، تحليل و مدل‌سازي رفتار سيلان گرم آلياژ Ti-6242، با در نظر گرفتن اثرات اصطكاك و گرمايش آدياباتيك در دماهاي 700، 800، 900، 1000، 1025، 1050، 1075 و 1100 ℃ و نرخ كرنش‌هاي 0.3، 0.03 و 0.003 s^(-1)مي‌باشد، تا منحني‌هاي تنش-كرنش مذكور استخراج گردد. سپس با استفاده از روابط تحليلي و مدل‌هاي ترموديناميكي شناخته‌شده، اثر اصطكاك و افزايش دماي آدياباتيك بر داده‌ها تصحيح شده و منحني‌هاي سيلان واقعي ماده به‌دست مي‌آيند. در ادامه، از داده‌هاي اصلاح ‌شده به‌عنوان ورودي براي توسعه‌ي مدل‌هاي يادگيري ماشين مانند الگوريتم‌ جنگل تصادفي استفاده مي‌شود تا رفتار سيلان آلياژ در محدوده‌ي وسيعي از شرايط فرآيند به‌صورت داده‌محور پيش‌بيني گردد. از الگوريتم جنگل تصادفي به عنوان يكي از كاربردي‌ترين و قدرتمندترين مدل‌هاي يادگيري ماشين ياد مي‌شود كه براي پيدا كردن حالت بهينه، در مقادير مختلف اعم از عمق درخت، تعداد برآوردگرها و بيشينه تعداد گره برگ‌ها مورد بررسي و طراحي قرار گرفت. در نتيجه مدل با عمق درخت 15، تعداد برآوردگر 150 و بيشينه تعداد گره برگ 150، به عنوان مدل بهينه شناسايي شد. نتايج حاصل با داده‌هاي تجربي مقايسه و اعتبارسنجي شد تا دقت پيش‌بيني مدل نيز ارزيابي شود. اين پژوهش مي‌تواند به بهبود شناخت رفتار ترمومكانيكي آلياژ Ti-6242، افزايش دقت مدل‌هاي پيش‌بيني رفتار سيلان، و بهينه‌سازي فرآيندهاي شكل‌دهي گرم اين آلياژ در كاربردهاي صنعتي منجر شود.

آلياژ Ti-6242 , فشار گرم , گرمايش آدياباتيك , اصطكاك , يادگيري ماشين