9155

پيش بيني استحكام دماي بالاي فولاد زنگ نزن آستنيتي 304L با استفاده از شبكه عصبي مصنوعي و يادگيري داده ماشين

كارشناسي

مهندسي مواد و متالورژي

1403

دكتر حميدرضا عابدي

1403/06/23

مواد و متالورژي

Predicting the high temperature mechanical properties of 304L stainless steel through artificial neural network modeling

فولاد زنگ نزن آستنيتي 304L، به دليل خواص مكانيكي و مقاومت به خوردگي منحصر به فرد نسبت به فولاد‌هاي متداول و همچنين روش توليد نه چندان پيچيده آن، به يكي از رايج‌ترين و پركاربردترين مواد در صنايع مختلف تبديل شده است. از آنجايي كه بسياري از فرآيند‌هاي شكل دهي (اكستروژن، نورد و آهنگري و ...) در دماهاي بالا و تحت نرخ كرنش هاي بالا‌تر از نرخ كرنش‌هاي معمول صورت مي‌پذيرد، پيش بيني رفتار سيلان فولاد در شرايط ترمومكانيكي ذكر شده از اهميت بالايي برخوردار است. در همين راستا در پژوهش حاضر آزمايش هاي فشار گرم، در دماهاي 700، 800 و 900 درجه سانتي گراد و نرخ كرنش هاي 0.1، 1، 10، 30، 50 و1-s 100 بر روي فولاد 304L انجام پذيرفت. به منظور پيش بيني رفتار تغيير شكل گرم فولاد، از مدل هاي رفتاري آرنيوسي، الگوريتم هاي يادگيري ماشين و هم چنين شبكه عصبي مصنوعي استفاده شد. بررسي‌ها نشان داد كه مدل آرنيوسي نمي‌تواند پيش بيني دقيقي از رفتار تغيير شكل گرم فولاد در نرخ كرنش هاي بالا، ارائه دهد. هم چنين از الگوريتم جنگل تصادفي به عنوان يكي از كاربردي‌ترين و قدرتمند‌ترين الگوريتم‌هاي يادگيري ماشين استفاده شد. براي پيدا كردن حالت بهينه، مدل، در مقادير مختلف "عمق درخت"، "تعداد برآوردگرها" و "بيشينه تعداد گره برگ ها" بررسي و طراحي شد و مدل با عمق درخت 15، تعداد برآوردگر 150 و بيشينه تعداد گره برگ 150، به عنوان مدل بهينه شناسايي شد. در ادامه به بررسي قابليت پيش بيني به كمك شبكه هاي عصبي مصنوعي به عنوان شبيه ساز شبكه عصبي و ساختار نورون عصبي طبيعي انسان، پرداخته شد. به منظور پيدا كردن حالت بهينه مدل سازي، مدل در مقادير مختلف "تعداد لايه هاي مخفي" و "تعداد نورون در هر لايه" بررسي شد. طبق بررسي ها، مدل سه لايه متشكل از يك لايه ورودي، يك لايه مخفي و يك لايه خروجي شامل 20 نورون در لايه مخفي، به عنوان مدل بهينه معرفي شد. قابليت پيش بيني مدل‌هاي مورد استفاده بر اساس پارامترهاي استاندارد آماري در قالب ضريب همبستگي (R) و ريشه ميانگين مربعات خطا (RMSE) ارزيابي شد. ارزيابي حاصل از اين پارامتر ها نشان داد كه مدل آرنيوسي به عنوان يكي از مدل هاي رفتاري، نتوانست پيش بيني دقيق از رفتار سيلان ماده داشته باشد. اما الگوريتم جنگل تصادفي و مدل شبكه عصبي مصنوعي توانايي بسيار بالايي در پيش بيني رفتار سيلان داغ فولاد 304L در دماهاي بالا و نرخ كرنش‌هاي بالا، از خود نشان دادند.

فولاد زنگ نزن آستنيتي؛ تغيير شكل گرم؛ تغيير شكل تحت نرخ كرنش بالا؛ مدل آرنيوسي؛ يادگيري ماشين؛ شبكه عصبي مصنوعي