بهينه سازي پارامترهاي فرآيند جوشكاري نقطه اي مقاومتي آلياژ منيزيم AZ61

Optimization of welding parameters in resistance spot welding of AZ61 Mg alloy

هدف از اين مطالعه بهينه سازي عمليات جوشكاري نقطه اي مقاومتي آلياژ منيزيم AZ61 جهت دستيابي به بيشينه اندازه دكمه جوش و كاهش تنش هاي پسماند كششي در منطقه جوش مي باشد. از آنجاييكه پايداري و استحكام يك سازه جوشكاري شده بشدت به ابعاد دكمه جوش و تنش هاي پسماند ناحيه اتصال وابسته است؛ در اين مطالعه با استفاده از تركيب شبكه عصبي مصنوعي و الگوريتم ژنتيك پارامترهاي وروي عمليات جهت دستيابي به حداكثر اندازه دكمه جوش و كمترين تنش هاي پسماند كششي در ناحيه اتصال بهينه سازي شده اند. در اين مطالعه عمليات جوش نقطه اي مقاومتي به وسيله يك مدل المان محدود دوبعدي متقارن كوپل مكانيكي - الكتريكي- حرارتي شبيه سازي شده است. از مدل المان محدود به منظور پيش بيني ابعاد دكمه جوش و ميزان تنش هاي پسماند موجود در ناحيه اتصال استفاده شده است. به منظور اعتبار سنجي مدل، نتايج آن با نتايج حاصل از آزمايش هاي تجربي مقايسه شده و نتايج بدست آمده نشان داد كه مدل المان محدود داراي قابليت مطلوبي مي باشد. مولفه هاي ورودي جهت بهينه سازي عبارتند از: شدت جريان الكتريكي، مدت زمان جوشكاري و نيروي الكترود. نتايج بدست آمده نشان مي دهد كه از تركيب شبكه عصبي مصنوعي و الگوريتم ژنتيك مي توان براي بهينه سازي اين فرآيند جوشكاري استفاده نمود. همچنين حداكثر قطر دكمه جوش 6/33 ميلي متر و حداقل تنش پسماند كششي 228 مگاپاسكال با در نظر گرفتن شدت جريان 16 كيلو آمپر، زمان جوشكاري 16 سيكل و نيروي الكترود 848 نيوتن بعنوان جواب بهينه بدست آمده است.

The main purpose of this study is optimization of resistance spot welding of AZ61 Mg alloy to achieve maximum nugget size and minimum tensile residual stresses in welding area. Since the stability and strength of a welded structure is strongly dependent on the nugget size and the residual stresses, an integrated artificial neural networks and genetic algorithm is utilized to optimize the welding parameters. In this study, the resistance spot welding process is simulated by a 2D fully coupled structural-electrical-thermal finite element model. The finite element model is developed to predict of the nugget size and the residual stresses in the welding area. In order to validate the FE model, the results are compared with the obtained results from the experimental tests. The results show that the FE model has a good agreement with the experimental tests. The input parameters for optimization are: electrical current, welding time and electrode force. The results show that the integrated optimization algorithm is successful in determining the optimized welding parameters. Based on the optimization results, the maximum nugget size 6.33 mm and the minimum tensile residual stress 228 MPa are achievable by using 16kA, 16 Cycles and 848 N as current, welding time and electrode force respectively.