پیش بینی اثرات اندازه دانه در تغییر شکل آلومینیوم 1070 با استفاده از شبکه عصبی

رفتار تغییر شکل داغ مواد بدلیل وابستگی آن به تغییرات نرخ کرنش، اندازه دانه، کرنش و دما دارای پیچیدگیهای زیادی است و لذا پیش بینی رفتار ماده در این شرایط مشکل میباشد. هدف این برسی پیش بینی اثرات اندازه دانه در رفتار تغییر شکل گرم آلیاژ آلومینیوم خالص 1070 با استفاده از الگوریتم شبکه عصبی میباشد. برای این منظور از آزمایشهای داغ در محدوده دمایی بین 350 تا 500 درجه سلیسیوس و در نرخ کرنشهای بین 0/005 تا 0/5 بر ثانیه و اندازه دانه 50-450 استفاده شد. با استفاده از نتایج تجربی، یک مدل شبکه عصبی پس انتشار پیش سو جهت پیش بینی رفتار تغییر شکل داغ این آلیاژ توسعه داده شده است. همچنین برای ارزیابی از عملکرد مدل مورد مطالعه از معیار ضریب همبستگی، میانگین خطای نسبی مطلق و خطای نسبی استفاده شد که مقدار آنها به ترتیب برابر 0/9998، % 0/3866 و % 0/032 به دست آمد. که نشان دهنده توانایی بالای مدل شبکه عصبی مصنوعی در پیش بینی تنش سیلان میباشد.