بكارگيري ماشين بردار پشتيبان حداقل مربعات جهت پيش بيني هندسه جوش براي فرآيند جوشكاري قوس تنگستن تحت پوشش گاز محافظ

Application of least squares support vector machines to predict the geometry of the weld to the tungsten arc welding process under protective gas

فرآيند جوشكاري قوس تنگستن تحت پوشش گاز محافظ (TIG) به عنوان يك روش كارآمد در بسياري از صنايع مورد استفاده قرار مي‌گيرد. از مهم‌ترين كاربردهاي اين فرآيند، جوشكاري فلزات سخت و غير سخت، آهني و غير آهني در تمام ضخامت ها مي‌باشد. انتخـاب صحيح پارامترهاي جوشكاري به منظور بدست آوردن هندسه جوش مناسب، اثر شاياني بر كيفيت جوش دارد. با توجه به حساسيت مسأله و دقت مورد نياز، ايجاد يك مدل دقيق از پارامترهاي جوشكاري از اهميت بالايي برخوردار است. ماشين بردار پشتيبان يكي از بهترين ابزارهاي مدل سازي و پيش بيني در مهندسي مي باشد. در اين تحقيق از ماشين بردار پشتيبان حداقل مربعات جهت مدل سازي اثر پارامترهاي جوشكاري به منظور دستيابي به هندسه جوش مناسب استفاده گرديده است. نتايج تحقيق نشان مي دهد كه مدل ارائه شده از دقت و قابليت تعميم بالايي برخوردار است.

Tungsten Inert Gas (TIG) welding process is applied to many industries as an efficient method. One of the most significant applications of this process is the welding of hard and non-hard metals and ferrous and non-ferrous ones with any thicknesses. Proper selection of welding parameters in order to obtain appropriate weld geometry has remarkable effect on weld quality. Considering the importance of the problem and the required precision, the creation of a precise model of welding parameters has high significance. Support vector machine is one of the best tools for modeling and prediction in engineering. Due to the possibility of error in measurements, the creation of a robust model of the welding parameters effect on weld geometry may prevent the occurrence of error. Hence, a robust model of least square support vector machine was used in this study for modeling the impact of welding parameters in order to obtain an appropriate weld geometry. The results of the study suggest that the presented model benefits from high precision and generalization capability.