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

معمولاً برای افزایش کیفیت قطعات پیشنهاد می‌شود خواص فیزیکی آنها، همچون استحکام کششی، چقرمگی، سختی و جز این‌ها، در حین فرایند تولید یا پس از آن ارزیابی شود. این در حالی است که اندازه‌گیری‌های مخرب در غالب موارد پرهزینه‌اند؛ بنابراین استفاده از روش‌های غیرمخرب برای ارزیابی خواص فیزیکی مواد، خصوصاً در خطوط تولید، امری منطقی به‌نظر می‌رسد. سختی مواد از جمله پارامترهایی است که به‌کمک آن می‌توان 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 روش‌های هوش مصنوعی، سختی قطعات با استفاده از امواج فراصوتی تخمین زده و پیش‌بینی شود. برای این منظور از نمونه‌های 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 ارائه‌شده rmse=0.1523  و r2=0.98 است. نتایج مدل مذکور نشان‌دهنده مناسب‌بودن آن برای تخمین و پیش‌بینی کیفیت قطعات می‌باشد.