بهينه سازي تغييرات ريزساختاري و خواص مكانيكي آلياژ آلومينيم A360 توليد شده به روش ريخته گري نيمه جامد

Optimization of Microstructure and Mechanical Properties of Al-A360 Produced by Semi-Solid Casting

ريخته گري نيمه جامدها، فرآيندي نوين مي باشد كه مي تواند قطعاتي با ساختار يكنواخت كروي و با خواص مكانيكي بهبود يافته را توليد نمود. در اين مقاله از روش مذاب ريزي بر روي سطح شيب دار براي توليد آلياژ آلومينيم A360 استفاده شده است. با جريان يافتن مذاب بر روي اين سطح و اعمال تنش، فاز اوليه شاخه اي در اين آلياژ به يك فاز غيرشاخه اي تبديل مي گردد. در اين تحقيق تاثير پارامترهايي از قبيل طول و زاويه سطح، دماي قالب و دماي بارريزي به عنوان متغيرهاي فرآيند در نظر گرفته شده و مقادير سختي و استحكام آلياژ بر اساس تغييرات در پارامتر اندازه دانه مورد محاسبه قرار مي گيرد. در مرحله بعد، رابطه بين ورودي و خروجي هاي فرآيند با استفاده از شبكه عصبي به دست مي آيد. در نهايت رابطه به دست آمده با استفاده از الگوريتم ژنتيك بهينه مي شود. نتايج نشان مي دهد كه با تغيير در دماي بارريزي و دماي قالب، سختي نمونه ها نيز تغيير مي كند. به طوريكه با تغيير دماي بارريزي ميزان 12% افزايش و با تغيير دماي قالب به ميزان 5%، سختي افزايش مي يابد. همچنين طول و زاويه سطح شيب دار نيز به ترتيب تاثير 12% و 9% در مقدار افزايش سختي و 13% و 6% در ميزان افزايش استحكام دارد

Semi-Solid Casting (SSM) is a new process that could produce globular structures with mechanical properties. The cooling slope method (CLM) is a one of this process that was employed to produce the A360 feedstock. In this method, The dendritic primary phase in the conventionally cast A356 alloy has transformed into a non-dendritic one. In this paper, The molten alloy with the temperature (PT) of 670, 650, 630, 610 and 590?C was poured on the surface of the plate where cooled with water circulation in various cooling angles (CA) and lengths (CL). After pouring, the melt which became semi-solid at the end of the plate was consequently poured into cylindrical steel mold with different mold temperatures (MT). Then, a back-propagation neural network was design to correlate the process parameters. Finally, genetic algorithm (GA) was used to optimize the process parameters. Results indicated that the hardness of samples changed with PT and MT. In the best condition with changes on PT, the hardness increased 15% and it increased 5% with changes on MT. The hardness is increased around 12% and 9% with changes on CL and CA consequently. The strength is increased around 13% and 6% with changes on CL and CA consequently.