แบบจำลองโครงข่ายประสาทเทียมสำหรับการทำนายค่าความเค้นแรงดึงในการเชื่อมภาชนะแรงดันสูงด้วยเหล็กกล้า ASTM A537 Class1
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองทางคณิตศาสตร์ ด้วยแบบจำลองโครงข่ายประสาทเทียมในการทำนายค่าความเค้นแรงดึง สำหรับการเชื่อมภาชนะทนแรงดันสูงในเหล็กกล้า ASTM A537 Class1 ด้วยกระบวนการเชื่อมใต้ฟลักซ์ สำหรับพารามิเตอร์ที่ใช้ในการศึกษา ได้แก่ กระแสไฟฟ้า แรงดันไฟฟ้า และความเร็วในการเดินแนวเชื่อม หลังจากทำการเชื่อมได้มีการทดสอบค่าความเค้นแรงดึง วิเคราะห์โครงสร้างจุลภาคด้วยกล้องจุลทรรศน์อิเล็กตรอนแบบส่องกราด และสร้างแบบจำลองทางคณิตศาสตร์ ผลการวิจัยพบว่าแบบจำลองทางคณิตศาสตร์ที่เหมาะสม คือ แบบจำลองทางคณิตศาสตร์จากวิธีโครงข่ายประสาทเทียม โครงสร้างของโครงข่ายประสาทเทียมที่เหมาะสม คือ 3-นิวรอนในชั้นอินพุต 3 นิวรอน จำนวนนิวรอนในชั้นซ่อน 14 นิวรอน และจำนวนนิวรอนในชั้นแสดงผล 1 นิวรอน (3-14-1) การเรียนรู้แบบเลเวนเบิร์ก-มาร์คสำหรับการปรับค่าน้ำหนักและไบแอส รูปแบบฟังก์ชันการกระตุ้น คือ ฟังก์ชันลอก-ซิกมอยด์ สำหรับชั้นนำเข้า ฟังก์ชันแทน-ซิกมอยด์ สำหรับชั้นซ่อน และฟังก์ชันเพียวรินสำหรับชั้นผลลัพธ์ มีค่าเฉลี่ยความผิดพลาดที่ 0.284 สภาวะการเชื่อมที่มีค่าความเค้นแรงดึงสูงสุดพบโครงสร้างจุลภาคเพิร์ลไลต์ละเอียด ลักษณะกลม มีการกระจายตัวกันอย่างหนาแน่น แบบจำลองทางคณิตศาสตร์ที่ได้มีประสิทธิภาพสามารถนำไปประยุกต์ใช้เพื่อทำนาย ควบคุมคุณภาพของรอยเชื่อมให้ได้ค่าความเค้นแรงดึง ตามข้อกำหนดในมาตรฐาน เพื่อลดต้นทุนในการผลิตและเพิ่มประสิทธิภาพในการเชื่อมต่อไป
Article Details
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
References
[2] R. L. Obrien, Welding handbook welding processes, 8th ed. USA: American Welding Society, 1992.
[3] The lincon electric company, The Procedure Hand book of Arc Welding, USA: The Lincoln Electric Company, 1995.
[4] V. D. Kalyankar and G. Chudasama, “Effect of post weld heat treatment on mechanical properties of pressure vessel steels,” Materials Today: Proceedings, Vol. 5, No. 11, Part 3, pp. 24675–24684, Jan. 2018.
[5] B. Sadeghi, H. Sharifi, M. Rafiei, and M. Tayebi, “Effects of post weld heat treatment on residual stress and mechanical properties of GTAW: The case of joining A537CL1 pressure vessel steel and A321 austenitic stainless steel,” Engineering Failure Analysis, Vol. 94, pp. 396–406, Dec. 2018.
[6] T. Chinnadurai, S. Saravanan, N. Prabaharan, M. Karthigai Pandian, and S. Deebika, “Analyzing the weld strength of ultrasonic polymer welding using Artificial Neural Networks,” Materials Today: Proceedings, Vol. 5, No. 14, Part 2, pp. 28320–28327, Jan. 2018.
[7] R. Vaira Vignesh and R. Padmanaban, “Artificial neural network model for predicting the tensile strength of friction stir welded aluminium alloy AA1100,” Materials Today: Proceedings, Vol. 5, No. 8, Part 3, pp. 16716–16723, Jan. 2018.
[8] K. Kamal Babu et al., “Parameter optimization of friction stir welding of cryorolled AA2219 alloy using artificial neural network modeling with genetic algorithm,” The International Journal of Advanced Manufacturing Technology, Vol. 94, No. 9, pp. 3117–3129, Feb. 2018.
[9] A. Sarkar, P. Dey, R. N. Rai, and S. C. Saha, “A comparative study of multiple regression analysis and back propagation neural network approaches on plain carbon steel in submerged-arc welding,” Sādhanā, Vol. 41, No. 5, pp. 549–559, May 2016.
[10] L. Yu, K. Saida, S. Hirano, N. Chigusa, M. Mochizuki, and K. Nishimoto, “Application of neural network-based hardness prediction method to HAZ of A533B steel produced by laser temper bead welding,” Welding in the World, Vol. 61, No. 3, pp. 483–498, May 2017.
[11] L. Srinivasan, M. C. Khan, T. D. B. Kannan, P. Sathiya, and S. Biju, “Application of Genetic Algorithm Optimization Technique in TIG Welding of 15CDV6 Aerospace Steel,” Silicon, Vol. 11, No. 1, pp. 459–469, Feb. 2019.
[12] M. W. Dewan, D. J. Huggett, T. Warren Liao, M. A. Wahab, and A. M. Okeil, “Prediction of tensile strength of friction stir weld joints with adaptive neuro-fuzzy inference system (ANFIS) and neural network,” Materials & Design, Vol. 92, pp. 288–299, Feb. 2016.
[13] D. Zhao, D. Ren, K. Zhao, S. Pan, and X. Guo, “Effect of welding parameters on tensile strength of ultrasonic spot welded joints of aluminum to steel – By experimentation and artificial neural network,” Journal of Manufacturing Processes, Vol. 30, pp. 63–74, Dec. 2017.
[14] V. V. Narayanareddy, N. Chandrasekhar, M. Vasudevan, S. Muthukumaran, and P. Vasantharaja, “Numerical Simulation and Artificial Neural Network Modeling for Predicting Welding-Induced Distortion in Butt-Welded 304L Stainless Steel Plates,” Metallurgical and Materials Transactions B, Vol. 47, No. 1, pp. 702–713, Feb. 2016.
[15] N. Pavan Kumar, P. K. Devarajan, S. Arungalai Vendan, and N. Shanmugam, “Prediction of bead geometry in cold metal transfer welding using back propagation neural network,” The International Journal of Advanced Manufacturing Technology, Vol. 93, No. 1, pp. 385–392, Oct. 2017.
[16] The American Society of Mechanical Engineers, Boiler and Pressure Vessel Section IX Welding, Brazing, and Fusing Qualifications, USA: The American Society of Mechanical Engineers, 2015.
[17] B. Venugopal Rao, N. Aravindan, and K. Saraswathamma, “Experimentation of effect of process parameters on mechanical properties in SAW Process,” Materials Today: Proceedings, Vol. 5, No. 13, Part 3, pp. 26961–26967, Jan. 2018.
[18] American Welding Society, AWS A5.17 Specification for Carbon Steel Electrodes and Fluxes for Submerged Arc Welding, USA: American Welding Society, 2019.
[19] American Society for Metal, ASM Handbook Metallography and Microstructures, Vol. 9, American Society for Metal, USA:, 1985.
[20] O. I. Abiodun, A. Jantan, A. E. Omolara, K. V. Dada, N. A. Mohamed, and H. Arshad, “State-of-the-art in artificial neural network applications: A survey,” Heliyon, Vol. 4, No. 11, p. e00938, Nov. 2018.
[21] W.-B. Oh, T.-J. Yun, B.-R. Lee, C.-G. Kim, Z.-L. Liang, and I.-S. Kim, “A Study on Intelligent Algorithm to Control Welding Parameters for Lap-joint,” Procedia Manufacturing, Vol. 30, pp. 48–55, Jan. 2019.
[22] J.-Y. Shim, J.-W. Zhang, H.-Y. Yoon, B.-Y. Kang, and I.-S. Kim, “Prediction model for bead reinforcement area in automatic gas metal arc welding,” Advances in Mechanical Engineering, Vol. 10, No. 8, pp. 1-9, Aug. 2018.
[23] R.H. Myers, D.C Montgomery, Response Surface Methodology Process and Product Optimization using Designed Experiments, 2nd ed., Hoboken, New Jersey: John Wiley and Sons, 2002.
[24] D. Hauserova, J. Dlouh, and M. Kover “Pearlite Lamellae Spheroidisation During Austenitization and Subsequent Temperature Hold”, Archives of Metallurgy and Materials, Vol. 62, No. 1, pp. 201-204, 2017.
[25] X. Bai, S. Wu, and P. K. Liaw, “Influence of thermo-mechanical embrittlement processing on microstructure and mechanical behavior of a pressure vessel steel,” Materials & Design, Vol. 89, pp. 759–769, Jan. 2016.
[26] W. Hui, Y. Zhang, X. Zhao, N. Xiao, and F. Hu, “High cycle fatigue behavior of V-microalloyed medium carbon steels: A comparison between bainitic and ferritic-pearlitic microstructures,” International Journal of Fatigue, Vol. 91, pp. 232–241, Oct. 2016.
[27] W. Yun, B. Philip, X. Zhenying, and W. Junfeng, “Study on fatigue crack growth performance of EH36 weldments by laser shock processing,” Surfaces and Interfaces, Vol. 15, pp. 199–204, Jun. 2019.
[28] J. Toribio, B. González, J.-C. Matos, and F.-J. Ayaso, “Influence of Microstructure on Strength and Ductility in Fully Pearlitic Steels,” Metals, Vol. 6, No. 12, p. 318, Dec. 2016.
[29] M. Saadati, A. K. Edalat Nobarzad, and M. Jahazi, “On the hot cracking of HSLA steel welds: Role of epitaxial growth and HAZ grain size,” Journal of Manufacturing Processes, Vol. 41, pp. 242–251, May 2019.