文献

J-GLOBAL ID：202002210537591114   整理番号：20A1127063

スピンアーク溶接したAA5083-H111合金のクリープと腐食特性改善のためのANNモデリングとGA最適化の応用【JST・京大機械翻訳】

Application of ANN Modelling and GA Optimization for Improved Creep and Corrosion Properties of Spin-Arc Welded AA5083-H111 Alloy

著者 (4件)： Poonguzhali V. (Department of Production Engineering, National Institute of Technology, Trichy, Tamilnadu, India) ,  Deepan Bharathi Kannan T. (Department of Mechanical Engineering, SRM Institute of Science and Technology, Kattankulathur, Tamilnadu, India) ,  Umar M. (Department of Production Engineering, National Institute of Technology, Trichy, Tamilnadu, India) ,  Sathiya P. (Department of Production Engineering, National Institute of Technology, Trichy, Tamilnadu, India)
資料名： Russian Journal of Non-Ferrous Metals  (Russian Journal of Non-Ferrous Metals)
巻： 61  号： 2  ページ： 188-198  発行年： 2020年 
JST資料番号： W1194A  ISSN： 1067-8212  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本研究では,Spin-Arcガス金属アーク溶接(SA-GMAW)プロセスで処理したAA5083-H111合金溶接部の改善されたクリープおよび腐食特性に対する最適化されたパラメータ組合せを同定する試みを行った。このために,遺伝的アルゴリズム(GA)と結合した人工ニューラルネットワーク(ANN)を統計ツールとして用いた。実験は,入力パラメータ,すなわち,溶接電流,充填剤紡糸速度および充填剤スピン直径を考慮して行った。溶接品質を微小硬さ,耐食性および定常状態クリープ速度を測定することによって評価した。最初に,ANNを用いて入力と出力プロセス変数の間の関係を確立した。出力パラメータを予測するために,高速伝搬(QP),逆バッチ伝搬(BBP)および増分バッチ伝搬(IBP)のような異なる学習アルゴリズムを用いた。異なる学習アルゴリズムの予測精度を比較し,最良アルゴリズムをGA最適化技術に用いた。最適パラメータは,溶接電流の134A,充填剤紡糸速度の1050rpm,および充填剤スピン直径の1mmであることが分かった。入力パラメータの中で,充填剤紡糸速度は,改善された腐食とクリープ特性が達成された第二相粒子の形成と分布に影響する最も影響力のある因子(40.11%)として同定された。Copyright Allerton Press, Inc. 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *クリープ ,  *最適化 ,  微小硬さ ,  *腐食 ,  アルミニウム合金 ,  耐食性 ,  溶接部 ,  ニューラルネットワーク ,  紡糸 ,  溶接電流 ,  遺伝的アルゴリズム ,  学習アルゴリズム
準シソーラス用語： *AA5083 ,  最適パラメータ , 【Automatic Indexing@JST】

著者キーワード (6件)： アルミニウム合金 ,  スピンアークGMAW ,  ANN ,  GA ,  腐食 ,  クリープ

分類 (2件)： 溶接条件  (WC07080J) ,  溶接技術  (WC07030G)

タイトルに関連する用語 (10件)： スピン ,  アーク溶接 ,  AA5083 ,  合金 ,  クリープ ,  腐食特性 ,  モデリング ,  Ga ,  最適化 ,  応用