توضیحات کامل :

ترجمه مقاله پیش بینی کیفیت اتصالات جوشکاری نقطه ای مقاومتی فولاد ضد زنگ آستنیتی 304  در 23 صفحه ورد قابل ویرایش با فرمت doc به همراه مقاله اصلی انگلیسی در 10 صفحه پی دی اف






عنوان انگلیسی مقاله : Quality prediction of resistance spot welding joints of 304 austenitic stainless steel


عنوان فارسی مقاله : پیش بینی کیفیت اتصالات جوشکاری نقطه ای مقاومتی فولاد ضد زنگ آستنیتی 304


تعداد صفحات : 23 صفحه فارسی قابل ویرایش با فرمت doc ( ترجمه کامل به همراه رعایت نیم فاصله و استانداردهای نگارشی می باشد ) به همراه اصل مقاله انگلیسی در 10 صفحه پی دی اف


سطح ترجمه : عالی


شناسه ثبت محصول : ss15


فروشنده : گروه ترجمه تخصصی آفمَس


دانلود ترجمه مقاله به زبان فارسی به همراه اصل مقاله انگلیسی  : بلافاصله پس از پرداخت آنلاین 19000 تومان قادر به دانلود خواهید بود و لینک دانلود برای شما نیز ایمیل می شود .

 


بخشی از ترجمه :

 


چکیده :

میزان کیفیت اتصال جوشکاری نقطه ای مقاومتی (RSW) فولاد ضدزنگ آستنیتی (ASS) با استفاده از ظرفیت تحمل بار کششی برشی (TSLBC) ارزیابی می شود. سطوح کیفیتی با استفاده از آزمایش غیرمخرب التراسونیک تععین می شود.

هدف کارحاضر توسعه یک قالب کاربردی پیش بینی قابلیت اطمینان TSLBC ( ودرنتیجه سطح کیفیت) اتصالات جوشکاری RSW با استفاده از سه پارامتر زمان جوش (WT) ، جریان جوش (WC) و نیروی الکترود (EF) می باشد.

در مرحله اول، مدل رگرسیون خطی درنظرگرفته شد اما تجزیه و تحلیل باقیمانده ها رفتار غیرخطی را نشان می دهد. یک شبکه عصبی مصنوعی (ANN) ارائه شد چون ANN ها توانایی پیاده سازی سیستم های غیرخطی را دارند. ورودی ها بردارهای سه مولفه ای هستند ، یک مولفه برای هریک از پارامترهای جوش معرفی شده در نظر گرفته شده است. پرورش شبکه عصبی با استفاده از مکانیسم یادگیری نظارت شده انجام شده است. بنابراین هر ورودی باید با خروجی مورد نظر خودش (هدف ) بیاید. این هدف TSLBC اتصالات جوشکاری RSW بدست آمده بوسیله ی ورودی مربوطه می باشد. تعداد نرون های لایه های پنهان با درنظر گرفتن پدیده overfitting انتخاب شده است. تعداد نرونهای لایه های پنهان که خطای مربع متوسط اعتبار سنجی (MSE) را مینیمم می کند تعداد 4 نرون می باشد.

انتخاب ANN 3-4-4-1 ، برای مطالعه حاضر مناسب است و هدف آن را تامین می کند چون این ANN نتایج خوبی را در پیش بینی با استفاده از ورودی های استفاده نشده در شبکه تولید می کند.


Abstract

The quality level of a resistance spot welding (RSW) joint of 304 austenitic stainless steel (ASS) is estimated from its tensile shear load bearing capacity (TSLBC). The quality levels are set by ultrasonic nondestructive testing.

The objective of the present work is to develop a tool capable of reliably predicting the TSLBC (and consequently the quality level) of RSW joints from three welding parameters: (1) welding time (WT); (2) welding current (WC); (3) electrode force (EF).

Firstly, a linear regression model is attempted but the residuals analysis reveals nonlinear behaviour.

An artificial neural network (ANN) is proposed because the ANNs are capable of mapping nonlinear systems. The inputs are 3-component vectors, a component for each of the aforementioned welding parameters. The training of the ANN uses supervised learning mechanism. Therefore each input must come with its respective desired output (target). This target is the TSLBC of the RSW joint obtained with the respective input. The number of neurons in the hidden layers is selected considering the overfitting phenomenon: the number of neurons in the hidden layers that minimizes the validation mean square error (MSE) is 4.

With the selected ANN, 3–4–4–1, the aim of the present study is achieved because this ANN produces good results in prediction from inputs nonused in the training.