استفاده از مدل شبکه عصبی برای پیش بینی تاثیر پارامترها در فرآیند نورد گرم ورق فولادی API X۶۰

در مقاله حاضر با استفاده از شبکه عصبی پیشرو با الگوریتم پس انتشار خطا، تاثیر پارامترهای سرعت نورد، دمای اولیه ورق و درصد کاهش ضخامت ورق در فرآیند نورد گرم ورق فولادی API X۶۰ بررسی شد و مقدار نیروی لازم جهت انجام فرآیند پیش بینی شد. برای این هدف، ابتدا یک مدل المان محدود سه بعدی توسط نرم افزار دیفرم ایجاد شد و شبیه سازی و تحلیل فرآیند نورد انجام شد. با استفاده از تئوری سیمز، نتایج بهدست آمده از المان محدود اعتبارسنجی شد. به منظور آموزش و ارزیابی شبکه عصبی، داده های به دست آمده از شبیه سازی المان محدود وارد شبکه شد. از تابع لونبرگ - مارکوارت برای آموزش شبکه عصبی استفاده شد و با انجام آزمون و خطا، ساختار بهینه شبکه به دست آمد. از نمودار پراکندگی و معیارهای آماری ضریب همبستگی و ریشه میانگین مربعات خطا برای ارزیابی شبکه استفاده شد. نتایج نشان داد که مدل شبکه عصبی پیشنهاد شده می تواند با تغییر پارامترهای فرآیند، مقادیر نیروی نورد را با دقت بالایی پیش بینی کند. با توجه به همگرایی سریع و زمان پاسخ دهی کوتاه، مدل شبکه عصبی میتواند به عنوان یک روش موثر در کنترل و بهینه سازی فرآیند نورد مورد استفاده قرار گیرد.