10,000 تومان

Neural Network Approach for Predicting the Failure of Turbine Components

فرمت ترجمه : word
رشته : مکانیک
تعداد صفحات ترجمه : 62
سال انتشار مقاله : 2013

 

توضیحات

كاربردِ رويكرد شبكه عصبي در پيش بينيِ نقايصِ اجزاء توربين

چکیده:

اجزاء و مولفه هاي توربين در شرايط بارگزاريِ سخت و فشرده و در دماهاي بالا و متغير ،فعاليت نموده كه اين امر منجر به بروز تنش هاي گرمايي در حضورِ گراديان هاي دماييِ ايجاد شده توسط هواي سرد و گازهاي داغ، مي شود.علاوه بر اين،بارهاي ايستا و متناوب و نيز حركت و جابه جايي قطعات چرخشي مي تواند استرس هاي مكانيكي را شدت بخشد.

استرس هاي ترمومكانيكيِ پيچيده بر انتشار و گسترشِ ترك خوردگي ها،بروز خستگي ،فرسودگي و ناکارآمدگی خزشی،تاثير مي گذارد لذا ارتباط بين استرس هاي ترمو مكانيكي،تركيبات شيميايي،عمليات حرارتي،ميكروساختارهايِ تشكيل شده،دماي عملياتي،آسيب هاي سطحي و نقايص فيزيكي نظير خستگي و خزش بايد به دقت بررسي و شناسايي شوند. شبكه هاي عصبيِ مصنوعي را مي توان گزينه اي براي بررسي چنين مشكلاتي،لحاظ كرد .

آن ها جزء روش هاي سريع،انعطاف پذير،كارآمد و دقيقي بوده و قادراند روابط چند بعديِ غير خطي را مدل سازي نموده لذا نياز به انجام آناليزهاي زمان برِ رگرسيون و انجام مطالعات تجربي را كاهش مي دهند. بنابراين،مدل هاي شبكه عصبي براي سوپرآلياژهاي تقويت شدهِNi مي توانند اندازه رسوبات، ضریب انبساط حرارتی،عمر مربوط به خستگي، و انرژي پسماند را پيش بيني نمايند. لذا مقدار صدمه خستگي را مي توان به عنوان محصولي از انرژي پسماند و عمر خستگي،محاسبه نمود.

جهت انجام پروژه معماری به لینک مربوطه مراجعه کنید .

جهت انجام پروژه مکانیک به لینک مربوطه مراجعه کنید .

مدل هايمربوط به پيش بينيِ اندازه رسوباتγ،ضريب انبساط گرمايي و انرژي پسماند از داده هاي تجربيِ مطلوبي برخوردار اند. اندازه گيري ميزان عمر خستگي،چندان ساده نيست بنابراين شبكه هاي عصبي بايد بتوانند به دقت خواص مكانيكيِ نقايص و ترك خوردگي ها را پيش بيني نمايند. مدل پيش بيني كننده عمرخستگي به خوبي عمل نموده اما به علت وجود نوسانات زياد آماري مربوط به اندازه گيري عمر خستگي،خطاهاي متعددي در اين مدل ها ديده مي شود.

نقشه مكانيزم تغيير شكلِ فولاد روتورِ 1.23Cr-1.2Mo-0.26V با استفاده از معادلاتِ ميزان خزشِ قانون توان ،لغزشِ مرزيِ دانه ها و نابجايي لبه ها ،ترسيم شده است.سپس ،صحتِ اين نقشه با كمك داده هاي تجربي و نتايج به دست آمده از شبكه هاي عصبي،تاييد گرديد.اگرچه تعداد داده هاي تجربي مربوط به مدلسازيِ شبكه عصبي ،محدود است اما مي توان با كمك معادلات موجود،نقشه مكانيزم تغيير شكل را اعتبار يابي نمود.

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “كاربردِ رويكرد شبكه عصبي در پيش بينيِ نقايصِ اجزاء توربين”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *