منبع پایان نامه درمورد الگوريتم، عصبي، فرايند، پارامترهاي

دسامبر 29, 2018 0 By mitra1--javid

ي لوله شكست رخ مي‌دهد. عوامل ديگري مانند شرايط اصطكاكي بين لوله و قالب نيز در پارگي لوله موثر هستند [1].
مروري بر كارهاي انجام شده
در اين بخش خلاصه‌اي از كارهايي كه تاكنون در زمينه خمكاري به ويژه خمكاري فشاري صورت گرفته است ارايه مي‌شود و به بررسي كارهاي انجام شده در زمينه مدلسازي با شبكه‌هاي عصبي و بهينه‌سازي با الگوريتم ژنتيك پرداخته مي‌شود.
D.E. Armstrong و همكاران در سال 1959، روش خمکاري فشاري لوله به کمک مندرل لاستيکي را مطرح کردند. هدف از کار انجام شده ارايه روشي جهت توليد زانويي با کمترين ميزان تغييرات ضخامت بود ‏[4]. سپس در سال 1961، کار قبلي خود را بهبود بخشيدند و آن را جهت توليد زانويي‌ با شعاع‌هاي خم كوچك در لوله‌ از جنس‌هاي سخت مانند تيتانيوم توسعه دادند. آنها استفاده از مندرل مركب از لاستيك سخت و لاستيک نرم را پيشنهاد كرد‌ند. در اين حالت لاستيك سخت در دو انتهاي لوله قرار مي‌گيرد و در ميان آن‌ها از لاستيك نرم استفاده مي‌شود. استفاده از اين تركيب از له شدن‌ لوله در دو انتها بر اثر نيروهاي اعمالي سنبه‌هاي جلو و عقب لوله جلوگيري مي‌كند و علاوه بر آن لاستيك نرم مياني نيز نيروي فشاري كافي را به سطح داخلي لوله اعمال مي‌كند و در نتيجه از چين خوردگي و خرابي سطح مقطع لوله تا حد زيادي جلوگيري مي‌كند [6].
H.A. Al-Qureshi در سال 1998، روابط تحليلي براي محاسبه زاويه برگشت فنري در خمكاري لوله‌ها به روش خم كششي ارايه كرده است. وي همچنين فرايند خمكاري فشاري لوله را به صورت تجربي مورد بررسي قرار داده است و نيروهاي شكل‌دهي را در خمكاري با جنس‌ها و هندسه‌هاي مختلف لوله بدست‌ آورده است. سپس به كمك آناليز حد بالا26 روابط تحليلي براي محاسبه نيروهاي شكل‌دهي در اين فرايند را ارايه كرده است [7].
Y. Zeng و Z. Li در سال 2002، تاثير پارامترهاي مختلف مانند شرايط اصطكاكي بين لوله و قالب و فشار داخل لوله را بر كيفيت خم در فرايند خمكاري فشاري به صورت تجربي مورد بررسي قرار دادند. تست‌ها بر روي لوله‌هاي آلومينيومي از آلياژ LF2 انجام شده‌اند. نتايج بدست آمده نشان مي‌دهند كه براي توليد خم با كيفيت مطلوب انتخاب مقادير بهينه اصطكاك و فشار ضروري مي‌باشد [1].
S. Baudin و همكاران در سال 2004، يك تحليل المان محدود ساده براي فرايند خمكاري فشاري ارايه كردند. در اين تحليل فرض شده است كه فرايند بدون اعمال فشار بر مندرل انجام مي‌شود. لوله و لاستيك به صورت توپر27 مدل شده‌اند. كار انجام شده صرفاً ارايه يك مدل المان محدود بوده است و پارامترهاي فرايند مانند شعاع خمكاري، قطر و ضخامت لوله، جنس لوله، شرايط اصطكاكي و غيره مقادير ثابت در نظر گرفته شده‌اند (تنها يك تحليل به ازاي مقادير ثابت اين پارامترها انجام شده است). براي مدل كردن لاستيك از تابع انرژي كرنشي موني-ريولين استفاده شده است ‏[10] Y. Zhang و D. Redekop در سال 2006، تحليل المان محدود ديگري براي فرايند خمكاري فشاري لوله ارايه كردند كه در آن لوله به صورت پوسته28 مدل شده است. براي اعمال اثر لاستيك فشار ثابتي به سطح داخلي لوله اعمال شده است. در كار انجام شده اثر جنس لوله و شعاع خمكاري بر روي تغييرات ضخامت و توزيع تنش در لوله مورد بررسي قرار گرفته است [11].
M. Sohankar و همكاران در سال 2007، توزيع فشار در داخل لوله و مندرل لاستيكي را به كمك تحليل المان محدود مورد بررسي قرار دادند. تاثير جنس لاستيك بر روي كيفيت خم نيز مورد مطالعه قرار گرفته است. با توجه به تحليل‌هاي صورت گرفته پيشنهاد شده است كه مندرل لاستيكي مورد استفاده در داخل لوله تركيبي از دو جنس نرم و سخت انتخاب شود. نتايج ارايه شده در اين مقاله با نتايج ارايه شده در ‏[6] مطابقت دارد. در تحليل‌هاي صورت گرفته از مدل‌هاي مختلف براي تعريف مندرل لاستيكي استفاده شده است. نتايج بدست آمده نشان مي‌دهند كه با استفاده از مدل موني-ريولين جواب‌هاي بدست آمده سازگاري بيشتري با واقعيت نشان مي‌دهند [5].
علاوه بر خمكاري لوله‌هاي با مقطع دايره‌اي از روش خم فشاري براي خمكاري لوله‌هاي با مقطع مستطيلي نيز استفاده مي‌شود. X. T. Xiao و همكاران در سال 2007، روش نويني را براي خمكاري لولههاي با مقطع مستطيلي به شعاع خم كوچك ارايه كردند. اصول خمكاري مشابه با روش معمول خمكاري فشاري لوله‌ مي‌باشد با اين تفاوت كه مسير خم لوله (پروفيل خم لوله) به صورت منحني اينوولوتي29 مي‌باشد در نتيجه شعاع خم لوله در حين خمكاري به تدريج از يك مقدار زياد تا اندازه مورد نظر كاهش پيدا مي‌كند. با استفاده از اين روش مي‌توان شعاع خم‌هاي كوچك را در لوله‌ با انواع مقاطع و با كيفيت مطلوب ايجاد نمود ‏[12].
در ادامه خلاصه‌اي از كارهاي انجام شده در زمينه مدل‌سازي و بهينه‌سازي فرايند‌ها به كمك شبكه‌هاي عصبي و الگوريتم ژنتيك ارايه شده است.
J. Wang و همكاران در سال 2000، براي بررسي اثر هندسه قطعه روي چين‌خوردگي در كشش عميق از شبكه عصبي استفاده كردند. گروهي از ابعاد هندسي به عنوان ورودي و چين خوردگي به عنوان خروجي در نظر گرفته شدند. شبكه عصبي از نوع پيش‌خور با الگوريتم پس انتشار خطا مي‌باشد ‏[13].
S. Mohanty و همکاران در سال 2003، براي کاهش دور ريز مواد در برش ورق‌هاي فولادي گالوانيزه از الگوريتم ژنتيک استفاده کردند. مقدار بهينه پهناي اوليه شمش‌هاي فولادي و الگوي برش مناسب که منجر به توليد ورق با پهناي مورد نظر شده و نيز کمترين دور ريز مواد
را در برش به همراه داشته باشد، بدست آمده‌اند ‏[14].
C. Fenggou و Y. Dayong در سال 2004، براي مدل‌سازي فرآيند ماشين‌کاري به کمک تخليه الکتريکي از شبکه عصبي استفاده کردند تا بتوان به کمک آن پارامترهاي لازم براي دستيابي به صافي سطح مورد نظر را تعيين نمود. از شبکه با الگوريتم پس انتشار خطا استفاده شده است و ساختار مناسب شبكه عصبي به كمك الگوريتم ژنتيک بدست آمده است ‏[15].
J.S. Son و همکاران در سال 2004، براي مدل‌سازي فرايند نورد داغ از شبکه‌هاي عصبي استفاده کردند. شبکه با الگوريتم پس انتشار خطا استفاده شده است. پارامترهاي ورودي شامل کرنش سختي و نرخ كرنش سختي، شرايط اصطکاکي، تخت شدن غلتک‌ها و درجه حرارت مي‌باشد و نيروي لازم جهت نورد به عنوان خروجي در نظر گرفته شده است. ساختار بهينه شبکه به کمک الگوريتم ژنتيک بدست آمده است ‏[16].
K.M. Liew و همكاران در سال 2004 براي بهينه‌سازي پروسه كشش عميق از الگوريتم ژنتيك و الگوريتم‌هاي تكاملي استفاده كردند. در كار انجام شده برگشت فنري به عنوان تابع هدف در نظر گرفته شده است و پارامترهاي ورودي شامل اصطكاك استاتيکي و ديناميكي بين سنبه و ورق، اصطكاك استاتيكي و ديناميکي بين قالب و ورق و اصطكاك استاتيكي و ديناميكي بين ورق‌گير و ورق مي‌باشند. در اين تحقيق ابتدا شبكه‌ عصبي با داده‌هاي موجود آموزش داده شده است و سپس مقادير بهينه پارامترهاي ذكر شده جهت رسيدن به حداقل برگشت فنري به كمك الگوريتم‌هاي تكاملي محاسبه شده‌اند ‏[17].
C. C. Antonio، C. F. Castro و L. C. Sousa در سال 2004، براي بهينه سازي فرايند فورجينگ30 از الگوريتم ژنتيك استفاده كردند. فرمولاسيون المان محدود ترمومكانيكي با استراتژي جستجوي تكاملي نخبه‌گرا بكار گرفته شده است. متغيرهاي هندسي و طراحي مربوط به قالب و قطعه‌كار به منظور دستيابي به شكل نهايي دلخواه در نظر گرفته شده‌اند. هدف دستيابي به طراحي بهينه ماده اوليه، كمترين ميزان انرژي شكل‌دهي و نيز محدود كردن حداكثر دماي قطعه مي‌باشد [18، 19].
A. Noorul Haq و همکاران در سال 2005، براي دستيابي به تولرانس‌هاي بهينه در ساخت اجزاي ماشين از الگوريتم ژنتيک استفاده کردند. هدف دستيابي به تولرانس قابل قبول براي هر يک از قطعات است به طوري که تولرانس‌هاي مونتاژ را برآورده كند و حداقل هزينه توليد و كمترين ميزان رد شدن قطعات را به همراه داشته باشد ‏[20].
J. Zhao و F. Wang در سال 2005، براي مدل‌سازي و هوشمند کردن فرايند کشش عميق استوانه‌اي ورق‌هاي فولادي از شبکه عصبي استفاده کردند. شبکه از نوع جلوسو با الگوريتم Levenberg-Marquardt مي‌باشد. نيروي کشش، نيروي ورق‌گيري و عمق کشش به عنوان پارامترهاي وروردي در نظر گرفته شده‌اند. خروجي‌هاي شبکه شامل پارامترهاي مربوط به خواص مواد و شرايط اصطکاکي مي‌باشند. به كمك روش ارايه شده در اين مقاله مي‌توان خواص مواد و شرايط اصطکاکي را در حين فرايند مشخص نمود ‏[21].
L. Wang و T. C. Lee در سال 2006، براي پيش‌بيني حداكثر عمق كشش در فرايند كشش عميق ورق‌هاي فلزي از شبکه‌هاي عصبي استفاده کردند. از شبکه با الگوريتم پس انتشار خطا استفاده شده است. پارامترهاي ورودي به شبکه شامل ضخامت ورق، ضريب اصطکاک، سرعت سنبه و نيروي ورق‌گيري در نظر گرفته شده‌اند. داده‌هاي لازم براي آموزش و تست شبکه عصبي با روش المان محدود بدست آمده‌اند ‏[22].
A. Gheorghe و همکاران در سال 2007، با استفاده از شبکه عصبي رابطه بين متغيرهاي فرايند و برگشت فنري را در فرايند خمکاري کششي لوله مدل‌سازي کردند. در کار انجام شده چهار پارامتر قطر لوله، شعاع خم، زاويه خم و تنش تسليم به عنوان پارامترهاي تاثيرگذار بر روي برگشت فنري لوله مورد بررسي قرار گرفته است. شبکه پيشرو با الگوريتم پس انتشار خطا با يک لايه پنهان براي مدل‌سازي استفاده شده است. تعداد 7 نورون در لايه مخفي در نظر گرفته شده است. هر يک از پارامترهاي ورودي در سه سطح مختلف بررسي شده اند. تعداد كل داده‌هاي بکار گرفته شده براي آموزش شبكه عصبي تنها 9 دسته مي‌باشند که از طريق تست تجربي بدست آمده‌اند ‏[23].
در الگوريتم ژنتيک براي تعيين برازندگي کروموزوم‌ها در هر نسل نياز به يك تابع برازندگي مي‌باشد. تعيين برازندگي مي‌تواند توسط روش‌هاي مختلفي صورت گيرد. در مواردي که داده‌ها به كمك تحليل المان محدود محاسبه مي‌شوند در صورت کم بودن زمان تحليل فرآيند، كوچك بودن تعداد اعضاي هر نسل و تعداد کل نسل‌ها، مي‌توان برازندگي هر يک از کروموزوم‌ها را با انجام يک تحليل در نرم افزار المان محدود تعيين نمود. در غير اين صورت مي‌توان داده‌هاي حاصل را به كمك يك تابع درون‌يابي نمود و از آن تابع به عنوان تابع برازندگي استفاده نمود. در ادامه دو نمونه از کارهايي که در آنها برازندگي کروموزوم‌ها به صورت مستقيم با روش المان محدود بدست آمده است ارايه شده‌اند.
L.C. Sousa و همکاران در سال 2006، از الگوريتم ژنتيک براي يافتن مقادير بهينه پارامترهاي تاثيرگذار در عمليات خمکاري U شكل و V شكل ورق‌هاي فلزي استفاده کردند. براي ارزش‌گذاري کروموزوم‌ها از تحليل المان محدود استفاده شده است. تعداد اعضاي هر نسل برابر12 مي‌باشد و شرط توقف الگوريتم ژنتيک، توليد 20 نسل تعريف شده است. زمان لازم براي تحليل المان محدود به ازاي هر يک از اعضاي نسل (يک مجموعه شرايط خمکاري خاص) بسته به دقت مورد نظر بين 10 تا 20 دقيقه مي‌باشد بنابراين تعيين برازندگي تمام اعضاي هر نسل بس
ته به دقت مورد نظر بين 2 الي 4 ساعت مي‌باشد ‏[24]. Y. Zhang و همکاران در سال 2008، با به کارگيري الگوريتم ژنتيک مقادير بهينه تغذيه محوري لوله و فشار مايع را در فرآيند هيدروفرمينگ لوله‌هاي فولادي بدست آوردند. هدف دستيابي به فرم نهايي قطعه مورد نظر با حداقل تغييرات ضخامت جدار لوله بود (تغييرات ضخامت در محدوده تلرانسي قابل قبول باشد). اندازه جمعيت هر نسل برابر با 20 درنظر گرفته شده است ‏[25].
M. Shahin و M. Elchalakani در سال 2008، از شبكه‌هاي عصبي براي پيش‌بيني ميزان گشتاور خمشي در فرايند خمكاري ساده لوله‌ها استفاده كردند. از شبكه چند لايه با الگوريتم پس انتشار خطا استفاده شده است. چهار پارامتر قطر لوله، ضخامت لوله، تنش تسليم و مدول يانگ به عنوان پارامترهاي ورودي شبكه عصبي و گشتاور خمشي به عنوان خروجي شبكه در نظر گرفته‌ شده‌اند ‏[26].
همانطور که اشاره شد تعيين برازندگي هر يك از كروموزوم‌ها به كمك تحليل المان محدود موقعي قابل اجراست که زمان تحليل‌ها کوتاه باشد. علاوه بر اين متغيرهاي الگوريتم ژنتيک مثل تعداد کروموزوم‌هاي هر نسل و تعداد کل نسل‌ها را نمي‌توان زياد تغيير داد زيرا با افزايش آن‌ها زمان بهينه‌سازي نيز افزايش خواهد يافت. در مواردي كه زمان تحليل فرايند طولاني باشد از اين روش نمي‌توان استفاده کرد. روش متداول در اکثر کارهاي تحقيقاتي اين است که رابطه بين متغيرهاي ورودي و خروجي را بدست آورده و از آن به عنوان تابع برازندگي استفاده شود. معمولاً اين متغيرها داراي روابط غيرخطي پيچيده هستند و نمي‌توان به سادگي رابطه بين آنها را مشخص نمود. يکي از ابزارهاي قدرتمند جهت مدلسازي فرايندها و تعيين رابطه بين متغيرهاي ورودي و خروجي استفاده از شبکه عصبي مي‌باشد. ترکيب الگوريتم ژنتيک با شبکه عصبي به عنوان ابزار قدرتمندي جهت مدل‌سازي و بهينه سازي بسياري از فرايندها گرفته شده است. در ادامه چند نمونه از کارهاي انجام شده در زمينه بهينه‌سازي که در آنها از ترکيب الگوريتم ژنتيک با شبکه عصبي استفاده شده است بصورت خلاصه ارايه شده‌اند:
K. Wang و همکاران در سال 2003، از ترکيب شبکه عصبي و الگوريتم ژنتيک براي مدل‌سازي و بهينه سازي پارامترهاي فرآيند ماشينکاري به کمک تخليه الکتريکي استفاده کردند. داده‌هاي لازم براي آموزش شبکه عصبي از طريق تست هاي تجربي بدست آمدند. از الگوريتم ژنتيک هم براي يافتن مقادير بهينه وزن‌هاي شبکه و هم مقادير بهينه پارامترهاي فرايند ماشينکاري به کمک تخليه الکتريکي استفاده شده است ‏[27].
H.J. Li و همکاران در سال 2004، براي دستيابي به مقدار بهينه پارامترهاي فرايند در فرايند ساخت ميله‌هاي کامپوزيتي از الگوريتم ژنتيک و شبکه‌هاي عصبي استفاده کردند. هدف تعيين مقادير بهينه پارامترهاي فرايند جهت رسيدن به حداقل نيروي اكستروژن ميله‌هاي كامپوزيتي مي‌باشد. شبکه عصبي از نوع پيش رو با الگوريتم پس انتشار خطا مي‌باشد و داراي يک لايه مخفي است ‏[28].
H. Kurtaran و همکاران در سال 2005، با استفاده از شبکه هاي عصبي، الگوريتم ژنتيک و روش طراحي آزمايش شرايط بهينه لازم براي توليد بدنه لامپ پلاستيکي را بدست آوردند. داده‌هاي لازم براي آموزش شبکه با استفاده از تحليل المان