ارتباط بين ويژگي‌هاي ريزساختاري و خواص كششي در آلياژ Ti-6Al-4V با استفاده از شبكه عصبي مصنوعي

The Correlation between Microstructure Features and Tensile Properties of Ti-6Al-4V Alloy Using Artificial Neuron Networks

در مطالعه حاضر، تأثير سه پارامتر ريزساختاري ازجمله كسر حجمي فاز α (A)، ضخامت لايه α (B) و نسبت ابعادي فاز α اوليه (C) بر روي استحكام تسليم و ازدياد طول در آلياژ Ti-6Al-4V با استفاده از روش رويه پاسخ با طرح مركب مركزي مورد بررسي قرار گرفت. داده‌هاي مورد نياز براي طراحي آزمايش و تحليل واريانس از طريق شبكه عصبي مصنوعي، پيش‌بيني شدند. به اين منظور ابتدا با استفاده از داده‌هاي تجربي ساير محققين شبكه عصبي مصنوعي با دو لايه پنهان توسط الگوريتم پس انتشار خطا تعليم داده شد. هدف اصلي اين مطالعه مقايسه قابليت پيش‌بيني دو شبكه پيش‌خور و پس‌خور و همچنين بررسي چگونگي تأثير ويژگي‌هاي ريزساختاري بر خواص مكانيكي آلياژ Ti-6Al-4V است. نتايج نشان داد كه شبكه عصبي پس‌خور نسبت به شبكه پيش‌خور به‌ازاي پارامترهاي ورودي توانايي پيش‌بيني مناسب و دقيق‌تري از مقادير استحكام تسليم و ازدياد طول آلياژ Ti-6Al-4V دارد. همچنين از تحليل واريانس و تكنيك رويه پاسخ مشخص شد، عناصر مرتبه اول و دوم C، B2، AB2 و A2C به‌علاوه عناصر A، C، B2، BC و A2B به ترتيب از موثرترين فاكتورهاي تأثيرگذار بر تعريف رفتار استحكام تسليم و ازدياد طول آلياژ Ti-6Al-4V هستند.

The present study investigates the influence of three different microstructure features including volume fraction of α phase (A), thickness of α phase (B), and aspect ratio of primary α (C) on tensile properties of Ti-6Al-4V alloy, by response surface methodology with central composite design (CCD). The experimental data required for the design of experiment (DOE) and analysis of variance (ANOVA) is predicted using the artificial neural network (ANN). First using the experimental data of other researchers, the ANN with two hidden layers by the error propagation algorithm was trained. The main objective of this study is to compare the two feedforward and feedback neural networks in as well as examine the influence of microstructure on the mechanical properties of the Ti-6Al-4V alloy. The results showed that the feedback neural network has higher accuracy than the feedforward neural network to predict the values of yield strength and elongation. Besides, according to ANOVA and response surface method, C, B2, AB2, and A2C factors and A, C, B2, BC, and A2B factors have more significant effects on yield strength and elongation in Ti-6Al-4V alloy, respectively.