مدل‌سازی و پیش‌بینی استحکام شکست قطعات جوشکاری شده با روش جوشکاری مقاومتی نقطه ای بوسیله الگوریتم بهینه سازی سیستم عصبی فازی تطبیقی

روش جوشکاری مقاومتی نقطه ای یکی از روش های موثر برای اتصال ورق های فلزی می باشد. تخمین نیروی شکست در قطعات جوشکاری شده از اهمیت بالایی برخوردار بوده و از روش های مختلفی برای یافتن نیروی شکست استفاده می شود. در این مقاله از یک سیستم استنتاج عصبیفازی تطبیقی (انفیس) برای تخمین و پیش بینی میزان استحکام قطعات جوشکاری شده استفاده می شود. برای این منظور با انجام یک طراحی آزمایش برای پارامترهای موثر فرآیند شامل شدت جریان جوشکاری، زمان اعمال جریان، زمان خنک شدن و نیروی مکانیکی، نمونه های جوشکاری تهیه شد. ورق مورد استفاده در نمونه ها فولاد کربنی aisi 1060 می باشد. پس از انجام آزمون کشش استحکام نمونه ها بدست آمده و سپس با استفاده از الگوریتم بهینه سازی آموزش و یادگیری در سیستم استنتاج عصبیفازی تطبیقی پارامترهای بهینه مدل توسعه داده شده بدست آمد. 70 درصد داده های مربوط به استحکام نمونه ها برای آموزش سیستم استنتاج عصبیفازی تطبیقی و 30 درصد باقیمانده برای بررسی صحت مدل ایجاد شده(بخش تست) مورد استفاده قرار گرفته است. دقت مدل بدست آمده با استفاده از نمودارهای مختلف و همچنین بر اساس معیارهای آماری جذر میانگین مربعات خطا، میانگین خطای مطلق، ضریب تعیین و درصد میانگین خطای مطلق بررسی شده است. از نتایج بدست آمده مشخص می شود که شبکه انفیس در پیش بینی استحکام شکست قطعات جوشکاری شده توسط فرآیند جوشکاری مقاومتی نقطه ای بسیار موفق عمل کرده است. در پایان مشاهده می شود که ضریب تعیین و درصد میانگین خطای مطلق برای تخمین استحکام شکست در بخش آموزش به ترتیب برابر با 0.99 و 0.48 درصد و در بخش تست برابر با 0.95 و 6.2 درصد می باشند.

Prediction of Weld Strength in Resistance Spot Welded Samples by Adaptive NeuroFuzzy Inference System (ANFIS)

Resistance Spot Welding (RSW) is one of the effective manufacturing processes used widely for joining sheet metals. Prediction of weld strength of welded samples has great importance in manufacturing and different methods are used by researchers to find the fracture force. In this article, the Adaptive NeuroFuzzy Inference System (ANFIS) is utilized for prediction of joint strength in welded samples by RSW. A design of experiments (DOE) is prepared according to effective process parameters includes welding current, welding cycle, cooling cycle and electrode force. The sheet metal samples prepared from AISI 1075 carbon steel. Tensile test specimens are prepared and the tensileshear strength of welded samples are measured. A model is developed according to ANFIS and trained according to teachinglearning based optimization algorithm. 70 % of test data used for network train and the remained 30 % used for access the accuracy of trained network. The accuracy of the trained network was assessed and the results show that the trained network can predict the joint strength with high accuracy. The determination factor (R2) and mean absolute percentage error (MAPE) are 0.99 and 0.48 % for trained data and 0.95 and 6.2% for test data.