مدل‌سازي ارتفاع جوش در فرآيند جوشكاري قوس الكتريكي با گاز محافظ در حضور نانوذرات TiO2 توسط شبكه‌ي عصبي مصنوعي

Modeling of weld height in gas metal arc welding process in the presence of TiO2 Nano-Particles using artificial neural network

يكي از مشخصه‌هاي كيفيت اتصالات جوش شده در جوشكاري قوس الكتريكي با گاز محافظ ارتفاع جوش مي‌باشد. اين مقاله بر يك مطالعه‌ي آزمايشگاهي كه به منظور دستيابي به يك مدل با استفاده از شبكه‌ي عصبي مصنوعي براي پيش‌بيني ارتفاع جوش در فرآيند جوشكاري قوس الكتريكي با گاز محافظ با حضور نانوذرات TiO2 انجام شد، تاكيد دارد. براي مدل‌سازي، ولتاژ قوس، جريان جوشكاري، سرعت جوشكاري، درصد گاز آرگون در تركيب گاز آرگون و دي‌اكسيد كربن و ضخامت لايه‌ي نانوذرات TiO2 به‌عنوان پارامترهاي ورودي و ارتفاع جوش به‌عنوان پارامتر خروجي در نظر گرفته شدند. در آزمايش‌ها ماتريس طراحي دالرت به‌منظور جمع آوري داده‌ استفاده شد. مدل شبكه‌ي عصبي مصنوعي ايجاد شد و توسط 5 آزمايش خارج از ماتريس طراحي ارزيابي شد. نتيجه‌ي قابل توجه اين مطالعه مكانيزم تمركز قوس به علت اثرات متقابل بين پارامترهاي ورودي جوشكاري و نانوذرات TiO2 مي‌باشد. علاوه براين نتايج نشان داد كه افزايش ضخامت لايه‌ي نانوذرات TiO2 تا حدود 9/0 ميلي‌متر ارتفاع جوش را افزايش داد درحالي‌كه در ادامه با افزايش بيشتر ضخامت تا 1 ميلي‌متر ارتفاع جوش كاهش يافت. در حقيقت اين تغيير در ارتفاع جوش مي‌تواند به علت آزاد شدن اكسيژن ناشي از تجزيه‌ي گرمايي نانوذرات TiO2 و دي‌اكسيد كربن روي سطح حوضچه‌ي مذاب باشد. اكسيژن كشش سطحي را تحت تاثير قرار داد. در نهايت جهت جابجايي مارانگوني جريان سيال در حوضچه‌ي مذاب دچار تغيير شد و بر ارتفاع جوش تاثير گذاشت. در روش شبكه‌ي عصبي مصنوعي، ميانگين مربعات خطا براي مجموعه‌ي آموزش0066/0، براي مجموعه‌ي ارزيابي 0063/0 و براي مجموعه‌ي آزمايش 0093/0 مي‌باشد. درنهايت نتيجه گرفته شد كه شبكه‌ي عصبي مصنوعي يك روش دقيق براي پيش‌بيني ارتفاع جوش مي‌باشد.

One of the quality characteristics of welded joints in gas metal arc welding (GMAW) is weld height (WH). This paper highlights an experimental study carried out to develop a model using artificial neural network (ANN) to predict WH in GMAW in the presence of TiO2 nano-particles. For developing the model, the arc voltage, welding current, welding speed, percentage of Ar in Ar-CO2 mixture and thickness of TiO2 nano-particles were considered as input parameters and WBH as the response. A Doehlert design matrix was employed in the experiments to generate experimental data. The ANN model was developed and validated by conducting five extra runs. The remarkable outcome of this study is the mechanism of arc constriction due to interacting effects between welding input parameters and TiO2 nano-particles. Moreover, the results showed that increasing thickness of TiO2 nano-particles up to almost 0.9 mm increased weld height, whereasits further increase up to 1.0 mm subsequently decreased weld height. In fact, this variation in weld height could be due to thermal dissociation of TiO2 nano-particles and CO2 releasing oxygen onto weld pool surface. Oxygen influenced surface tension. Consequently, direction of the Marangoni convection of fluid flow in weld pool was changed and as a result, affected WH. For ANN technique, MSEtrain=0.0066, MSEvalidation=0.0063 and MSEtest=0.0093. Finally, it is concluded that ANN is an accurate technique for predicting weld height.