ارتباط بین ویژگی‌های ریزساختاری و خواص کششی در آلیاژ ti-6al-4v با استفاده از شبکه عصبی مصنوعی

در مطالعه حاضر، تاثیر سه پارامتر ریزساختاری ازجمله کسر حجمی فاز alpha; (a)، ضخامت لایه alpha; (b) و نسبت ابعادی فاز alpha; اولیه (c) بر روی استحکام تسلیم و ازدیاد طول در آلیاژ ti6al4v با استفاده از روش رویه پاسخ با طرح مرکب مرکزی مورد بررسی قرار گرفت. داده‌های مورد نیاز برای طراحی آزمایش و تحلیل واریانس از طریق شبکه عصبی مصنوعی، پیش‌بینی شدند. به این منظور ابتدا با استفاده از داده‌های تجربی سایر محققین شبکه عصبی مصنوعی با دو لایه پنهان توسط الگوریتم پس انتشار خطا تعلیم داده شد. هدف اصلی این مطالعه مقایسه قابلیت پیش‌بینی دو شبکه پیش‌خور و پس‌خور و همچنین بررسی چگونگی تاثیر ویژگی‌های ریزساختاری بر خواص مکانیکی آلیاژ ti6al4v است. نتایج نشان داد که شبکه عصبی پس‌خور نسبت به شبکه پیش‌خور به‌ازای پارامترهای ورودی توانایی پیش‌بینی مناسب و دقیق‌تری از مقادیر استحکام تسلیم و ازدیاد طول آلیاژ ti6al4v دارد. همچنین از تحلیل واریانس و تکنیک رویه پاسخ مشخص شد، عناصر مرتبه اول و دوم c، b2، ab2 و a2c به‌علاوه عناصر a، c، b2، bc و a2b به ترتیب از موثرترین فاکتورهای تاثیرگذار بر تعریف رفتار استحکام تسلیم و ازدیاد طول آلیاژ ti6al4v هستند.

The Correlation between Microstructure Features and Tensile Properties of Ti-6Al-4V Alloy Using Artificial Neuron Networks

The present study investigates the influence of three different microstructure features including volume fraction of alpha; phase (A), thickness of alpha; phase (B), and aspect ratio of primary alpha; (C) on tensile properties of Ti6Al4V alloy, by response surface methodology with central composite design (CCD). The experimental data required for the design of experiment (DOE) and analysis of variance (ANOVA) is predicted using the artificial neural network (ANN). First using the experimental data of other researchers, the ANN with two hidden layers by the error propagation algorithm was trained. The main objective of this study is to compare the two feedforward and feedback neural networks in as well as examine the influence of microstructure on the mechanical properties of the Ti6Al4V alloy. The results showed that the feedback neural network has higher accuracy than the feedforward neural network to predict the values of yield strength and elongation. Besides, according to ANOVA and response surface method, C, B2, AB2, and A2C factors and A, C, B2, BC, and A2B factors have more significant effects on yield strength and elongation in Ti6Al4V alloy, respectively.