بهينه سازي و مدل سازي برشكاري پلاسما فولاد ضد زنگ 309AISI به كمك مدل تركيبي شبكه عصبي- الگوريتم ژنتيك

Optimization and Modeling of Plasma Cutting of AISI 309 Stainless Steel by Using Neural Network-Genetic Algorithm Hybrid Model

در برش پلاسما، يك گاز نجيب با سرعت بالا از نازل دميده مي شود و به كمك يك جرقه فركانسي ولتاژ بالا، گاز در سر مشعل يونيزه شده و قوس الكتريكي ايجاد مي شود. سپس گاز به حالت پلاسما تبديل مي شود كه فرآيندي ايده آل براي برشكاري فلزات سخت است. در اين تحقيق، بهينه سازي و مطالعه اثر پارامترهاي موثر در فرآيند برشكاري پلاسما فولاد ضدزنگ 309AISI مورد بررسي قرار گرفت. با انجام آزمايش هاي تجربي، تاثير پارامترهاي ورودي شامل شدت جريان، فشار گاز و سرعت حركت مشعل روي 3 پارامتر خروجي شامل اندازه عرض برش، منطقه متاثر از حرارت و زبري سطح بررسي شد. تحليل نتايج نشان داد كه شدت جريان، سرعت پيشروي و فشار گاز به ترتيب بيشترين اثر را روي پارامترهاي خروجي دارند. از شبكه عصبي مصنوعي (ANN) و الگوريتم ژنتيك براي پيش بيني و بهينه سازي پارامترهاي خروجي استفاده شد. نتايج به دست آمده نشان مي دهد مدل شبكه عصبي دقت مناسبي براي پيش بيني پارامترهاي خروجي دارد. بهينه سازي پارامترها براي دستيابي به بهترين شرايط برشكاري با استفاده از روش الگوريتم ژنتيك انجام گرفت. مدل شبكه عصبي به عنوان تابع هدف و زبري سطح، اندازه شكاف و منطقه متاثر از حرارت به عنوان ورودي الگوريتم ژنتيك معرفي شدند. نتايج به دست آمده نشان مي دهند كه تركيب شبكه عصبي- الگوريتم ژنتيك يك روش كارآمد براي بهينه سازي فرآيند برشكاري پلاسما است. اين روش مي تواند براي ديگر فرآيندهاي برشي پيشرفته نيز اصلاح و به كار گرفته شود.

In plasma cutting, a noble gas at high speed is blown from the nozzle and ionized with the help of a frequency spark at high voltage and an electric arc is created which cause the gas changes to the plasma state. Plasma cutting is an ideal process for cutting of the hard metals. In this research, the effect of the input parameters and their optimization in plasma cutting of AISI 309 stainless steel were studied. By conducting the different experimental tests, the effect of input parameters including amperage, gas pressure and the cutting speed of torch on the three output parameters of the width of cut (Kerf), heat-affected zone (HAZ) and surface roughness (Ra) were investigated. Analysis of the results showed that the amperage, cutting speed and gas pressure have the highest impact on the output parameters, respectively. The artificial neural network (ANN)-genetic algorithm was used to predict and optimize the output parameters. The results indicate that the artificial neural networks model trained by the genetic algorithm are able to predict the output parameters accurately. Finally, the optimization of output parameters to achieve the best cutting conditions was carried out using the genetic algorithm. The artificial neural network models were considered as the objective function and also, the parameters of the heat-affected zone, surface roughness, and the width of cut were introduced as inputs of the algorithm. According to results, a combination of the neural network and genetic algorithm is an efficient method for optimization of the plasma cutting process. This method can be easily modified and utilized for other advanced cutting methods.