Estimation of Friction Stir Welding Parameters of 3D Printed Sheets Using ANN

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Pub Date : 2023-11-15 DOI:10.28948/ngumuh.1295673

Nergizhan Anaç, O. Koçar, Erhan Baysal

{"title":"Estimation of Friction Stir Welding Parameters of 3D Printed Sheets Using ANN","authors":"Nergizhan Anaç, O. Koçar, Erhan Baysal","doi":"10.28948/ngumuh.1295673","DOIUrl":null,"url":null,"abstract":"Aynı veya farklı malzemelerin birleştirilmesinde kullanılan sürtünme karıştırma kaynağında (SKK) kaynak kalitesini etkileyen birçok parametre bulunmaktadır. Uygun işlem parametrelerinin belirlenmesi için deneme yanılma yolu kullanılmaktadır. Bu durum başlangıçta zaman kaybına ve hurda malzeme miktarında artışa sebep olmaktadır. Bu yüzden SKK metodu işlem parametrelerinin belirlenmesi için alternatif metotlara ihtiyaç duyulmaktadır. Yapılan çalışmada 3B yazıcı kullanılarak PLA Wood ve PLA-CF filamentlerden plakalar basılmıştır. Hazırlanan plakalar SKK metodu kullanılarak birleştirilmiştir. SKK metodunda işlem parametreleri farklı karıştırıcı uç geometrisi (kare, üçgen ve vida), takım ilerleme hızı (20, 40 ve 60 mm/dk) ve takım dönme hızı (1250, 1750 ve 2250 dev/dk) olarak seçilmiştir. Yapılan deneyler sonucunda elde edilen veri seti (54 deney) yapay sinir ağlarının eğitim ve testi için kullanılmıştır. YSA modelinin optimizasyonu için eğitim algoritması, transfer fonksiyonu ve gizli katmandaki nöron sayısı değiştirilerek 30 model oluşturulmuştur. Modellerin eğitim ve test sonuçları istatistiksel olarak değerlendirilmiştir. Sonuç olarak en iyi tahmin modeli eğitim fonksiyonu \"trainlm\" ve gizli katmandaki nöron sayısı 14 ve giriş katmanında transfer fonksiyonu “tansig” olduğunda elde edilmiştir. YSA modelinin eğitim ve test sonuçları, YSA'nın SKK metodunda işlem parametrelerinin değerini tahmin etmek için kullanılabileceğini göstermektedir.","PeriodicalId":508079,"journal":{"name":"Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi","volume":"11 6","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-11-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.28948/ngumuh.1295673","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Aynı veya farklı malzemelerin birleştirilmesinde kullanılan sürtünme karıştırma kaynağında (SKK) kaynak kalitesini etkileyen birçok parametre bulunmaktadır. Uygun işlem parametrelerinin belirlenmesi için deneme yanılma yolu kullanılmaktadır. Bu durum başlangıçta zaman kaybına ve hurda malzeme miktarında artışa sebep olmaktadır. Bu yüzden SKK metodu işlem parametrelerinin belirlenmesi için alternatif metotlara ihtiyaç duyulmaktadır. Yapılan çalışmada 3B yazıcı kullanılarak PLA Wood ve PLA-CF filamentlerden plakalar basılmıştır. Hazırlanan plakalar SKK metodu kullanılarak birleştirilmiştir. SKK metodunda işlem parametreleri farklı karıştırıcı uç geometrisi (kare, üçgen ve vida), takım ilerleme hızı (20, 40 ve 60 mm/dk) ve takım dönme hızı (1250, 1750 ve 2250 dev/dk) olarak seçilmiştir. Yapılan deneyler sonucunda elde edilen veri seti (54 deney) yapay sinir ağlarının eğitim ve testi için kullanılmıştır. YSA modelinin optimizasyonu için eğitim algoritması, transfer fonksiyonu ve gizli katmandaki nöron sayısı değiştirilerek 30 model oluşturulmuştur. Modellerin eğitim ve test sonuçları istatistiksel olarak değerlendirilmiştir. Sonuç olarak en iyi tahmin modeli eğitim fonksiyonu "trainlm" ve gizli katmandaki nöron sayısı 14 ve giriş katmanında transfer fonksiyonu “tansig” olduğunda elde edilmiştir. YSA modelinin eğitim ve test sonuçları, YSA'nın SKK metodunda işlem parametrelerinin değerini tahmin etmek için kullanılabileceğini göstermektedir.

查看原文本刊更多论文

利用 ANN 估算 3D 打印板材的搅拌摩擦焊接参数

在用于连接相同或不同材料的搅拌摩擦焊（FMSW）中，有许多参数会影响焊接质量。为了确定合适的工艺参数，需要反复试验。这最初会造成时间损失和废料量增加。因此，需要其他方法来确定 CCT 方法的工艺参数。在这项研究中，使用三维打印机用聚乳酸木丝和聚乳酸-纤维丝打印板材。使用 SKK 方法连接制备好的板材。在 CCT 方法中，选择的工艺参数包括不同的搅拌器尖端几何形状（方形、三角形和螺旋形）、工具进给速率（20、40 和 60 毫米/分钟）和工具转速（1250、1750 和 2250 转/分钟）。实验获得的数据集（54 次实验）用于人工神经网络的训练和测试。为了优化人工神经网络模型，通过改变训练算法、传递函数和隐层神经元数量，创建了 30 个模型。对模型的训练和测试结果进行了统计评估。结果，当训练函数为 "trainlm"、隐层神经元数为 14、输入层传递函数为 "tansig "时，获得了最佳预测模型。ANN 模型的训练和测试结果表明，ANN 可用来估计 CCT 方法中的工艺参数值。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi

自引率

0.00%

发文量