การประยุกต์ใช้วิธีโครงข่ายประสาทเทียมและวิธีพื้นผิวตอบสนองสำหรับการทำนายสมบัติทางกลและหาความเหมาะสมในการเชื่อมลำเรืออลูมิเนียมเกรด 5083

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองทางคณิตศาสตร์ด้วยแบบจำลองโครงข่ายประสาทเทียมในการทำนายค่าความเค้นแรงดึงและค่าความแข็ง และการหาความเหมาะสมในการเชื่อมด้วยวิธีการพื้นผิวตอบสนอง สำหรับการ เชื่อมลำเรืออลูมิเนียม กรด AISI5083 ด้วยกระบวนการเชื่อมอาร์คโลหะแก๊สปกคลุม ปัจจัยที่ใช้ในการศึกษา ได้แก่ กระแสไฟฟ้า แรงดันไฟฟ้า และความเร็วในการเดินแนวเชื่อม หลังจากทำการเชื่อมได้มีการทดสอบค่าความเค้นแรงดึง ค่า ความแข็ง วิเคราะห์โครงสร้างจุลภาคด้วยกล้องจุลทรรศน์อิเล็กตรอนแบบส่องกราด สร้างแบบจำลองทางคณิตศาสตร์ และหาความเหมาะสมในการเชื่อม ผลการวิจัยพบว่าแบบจำลองทางคณิตศาสตร์ที่เหมาะสม คือ แบบจำลองทางคณิตศาสตร์จากวิธีโครงข่ายประสาทเทียม โครงสร้งาของโครงข่ายประสาทเทียมที่เหมาะสม คือ นิวรอนในชั้นอินพุต จำนวน 3 นิวรอน นิวรอนในชั้นซ่อนที่ 1 จำนวน 10 นิวรอน นิวรอนในชั้นซ่อนที่ 2 จำนวน 10 นิวรอน และจำนวนนิวรอนในชั้นแสดงผล 1 นิวรอน (3-10-10-1) การเรียนรู้แบบเลเวนเบิร์ก-มาร์ค รูปแบบฟังก์ชันการกระตุ้น คือ ลอกซิกมอยด์สำหรับชั้นนำเข้าฟังก์ชันแทนซิกมอยด์ สำหรับชั้นซ่อนที่ 1 และ 2 ฟังก์ชันเพียวรินสำหรับชั้นผลลัพท์ ชนิดของฟังก์ชัน โดยมีค่าเฉลี่ยความผิดพลาดกำลังสองเท่ากับ 0.454 และ 0.386 สำหรับค่าความเค้นแรงดึง และค่าความแข็งตามลำดับ สภาวะการเชื่อมที่เหมาะสม คือ กระแสไฟฟ้า 220 แอมแปร์ แรงดันไฟฟ้า 26 โวลต์ และความเร็วในการเชื่อม 10 มิลลิเมตรต่อวินาที พบว่าโครงสร้างจุลภาคมีสารประกอบเชิงโลหะชนิด AI(Fe,Mn)Si ขนาดเล็กและมีการกระจายตัวกันอย่างสม่ำเสมอในโครงสร้างพื้นส่งผลให้ใช้งานเชื่อมมีค่าความเค้นแรงดึง และค่าความแข็งสูงสุด

This research was aimed to determine a mathematic model using artificial neural network (ANN) for predicting the of mechanical property and optimization using response surface methodology (RSM) in the aluminum hull 5083 grade with gas metal arc welding (GMAW) process. The following welding factors were studied: the welding current, voltage and travel speed. The resulting welding samples were examined using tensile strength tests hardness test which were observed microstructure with scanning electron microscopy (SEM) and determine a suitable mathematic model. The research results reveal that using a ANN model with the proposed mathematical model, which tensile strength and hardnessrepresents 3 neurons for the input layer 10 neurons for hidden layer 1 10 neurons for hidden layer 2 and 1 output neurons (3-10-10-1). The Levenberg-Marquart training algorithm was also train for weight and bias network. The neuron of log-sigmoid for input layer, tan-sigmoid for hidden layer1 and 2 purelin for output layer activation function was assigned. The mean square error (MSE) and coefficient of determination (R2) for tensile strength and hardness predict was showed that of 0.454 and 0.386 respectively. The optimization of GMAW parameters were welding current of 220 amp, voltage of 26 V and 10 mm/sec travel speed. The welding conditions which have the optimization condition was showed that metal compounds Al (Fe, Mn) Si type could be that small size with distribute intensity in heat affected zone, which results in increased welding material high tensile strength and hardness.