การพยากรณ์หาค่าพารามิเตอร์ที่เหมาะสมของตัวแปรในการเชื่อม TIG ต่อสมบัติเหล็กกล้าไร้สนิม AISI 304 โดยใช้โครงข่ายประสาทเทียม

กิตติ วิโรจรัตนาภาพิศาล; อุกฤษฏ์ ธนทรัพย์ทวี; ชีวพล นิตย์นรา; จิตติวัฒน์ นิธิกาญจนธาร; พันทิวา พวงสาลี

ผู้แต่ง

กิตติ วิโรจรัตนาภาพิศาล อาจารย์, สาขาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา ตาก, 41 ถนนพหลโยธิน ตำบลไม้งาม อำเภอเมือง จังหวัดตาก 63000
อุกฤษฏ์ ธนทรัพย์ทวี อาจารย์, สาขาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา ตาก, 41 ถนนพหลโยธิน ตำบลไม้งาม อำเภอเมือง จังหวัดตาก 63000
ชีวพล นิตย์นรา อาจารย์, สาขาเทคโนโลยีวิศวกรรมเครื่องกล วิทยาลัยเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพรนครเนือ 1518 ถนนประชาราษฎร์ 1 แขวงวงศ์สว่าง เขตบางซื่อ กรุงเทพฯ 10800
จิตติวัฒน์ นิธิกาญจนธาร อาจารย์, สาขาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์และเทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน อำเภอเมือง จังหวัดนครราชสีมา 30000
พันทิวา พวงสาลี นักวิจัย, ศูนย์เทคโนโลยีโลหะและวัสดุแห่งชาติ สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ, อุทยานวิทยาศาสตร์ประเทศไทย 114 ถนนพหลโยธิน ตำบลคลองหนึ่ง อำเภอคลองหลวง จังหวัดปทุมธานี 12120

คำสำคัญ:

Tig Welding, Tensile Stress, Neural Network Model

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อการพยากรณ์หาค่าพารามิเตอร์ที่เหมาะสมของตัวแปรในการเชื่อม TIG ต่อสมบัติเหล็กกล้าไร้สนิม AISI 304 โดยใช้โครงข่ายประสาทเทียม ในการดำเนินโครงงานได้นำกระบวนการเชื่อมทิกแบบไม่เติมลวดเชื่อม โดยใช้แท่งทังสเตน ขนาดเส้นผ่าศูนย์กลาง 1.6 มิลลิเมตร และชิ้นทดสอบใช้แผ่นเหล็กกล้าไร้สนิม AISI 304 ขนาด 50 x 150 x 2 มิลลิเมตร ประกอบกันเป็นรอยต่อชนและเชื่อมในตำแหน่งท่าราบ โดยใช้กระแสไฟเชื่อม 3 ระดับคือ 75, 95 และ 115 แอมแปร์ อัตราการไหลแก๊สปกคลุมเชื่อม 3 ระดับคือ 10, 12 และ 14 ลิตรต่อนาที ความเร็วเดินเชื่อม 3 ระดับคือ 8, 10 และ 12 นิ้วต่อนาที ในงานวิจัยนี้ประยุกต์ใช้การออกแบบการทดลองเชิงแฟกทอเรียลแบบ 3^k ในการออกแบบการทดลอง และทำนายค่าความเค้นแรงดึงด้วยวิธีโครงข่ายประสาทเทียม จากผลการดำเนินโครงงานนี้พบว่าพารามิเตอร์ที่ส่งผลให้ค่าความเค้นแรงดึงดีที่สุด คือ กระแสไฟเชื่อมที่ 115 แอมแปร์ อัตราการไหลแก๊สปกคลุมเชื่อม 12 ลิตรต่อนาที และความเร็วเดินเชื่อม 10 นิ้วต่อนาที ได้ค่าความเค้นแรงดึงสูงที่สุด คือ 573.472 N/mm² และจากการพยากรณ์ด้วยโครงข่ายประสาทเทียมของค่าความเค้นแรงดึง มีค่าสัมประสิทธิ์การตัดสินใจที่ 0.99636 มีค่าเฉลี่ยผิดพลาดกำลังสอง (MSE) เท่ากับ 0.2485

References

Kumar A, Sundarrajan S. Effect of welding parameters on mechanical properties and optimization of pulsed TIG welding of Al-Mg-Si alloy. The International Journal of Advanced Manufacturing Technology 2009; 42:118-125

Joseph J, Muthukumaran S. Optimization of activated TIG welding parameters for improving weld joint strength of AISI 4135 PM steel by genetic algorithm and simulated annealing. The International Journal of Advanced Manufacturing Technology 2017;93:23-34

Singh AK, Dey V, Rai RN. Techniques to improveweld penetration in TIG welding (A review). Materials Today: Proceedings 2017;4(2):1252-9.

Shrivas S, Vaidya SK, Khandelwal AK, Vishvakarma AK. Investigation of TIG welding parameters to improve strength. 10th International Conference of Materials Processing and Characterization. Materials Today: Proceedings 2020;26:1897-902.

Reddy GN, VenkataRamana M. Optimization of process parameters in welding of dissimilar steels using robot TIG welding. IOP Conference Series Materials Science and Engineering 2018;330:012096.

Yosefieh M, Shamanian M, Saatchi A. Optimization of the pulsed current gas tungsten arc welding parameters for corrosion resistance of super duplex stainless steel welds using the Taguchi method. Journal of Alloy and Compounds 2011;509(3):782-8.

Mathewa BK, Velmurugan C. Evaluation of TIG welding parameters using statistical methods to optimize the mechanical properties of stainless steel – SS304. AIP Conference Proceedings 2022;2446(1):16006.

Manikandan M, Nageswara RM, Ramanujam R, Ramkumar D, Arivazhagan N, Reddy GM. Optimization of the pulsed current gas tungsten arc welding process parameters for alloy C-276 using the taguchi method. Procedia Engineering 2014;97:767-74.

Pashazadeh H, Gheisari Y, Hamedi M. Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi-objective genetic algorithm. Journal of Intelligent Manufacturing 2016;27(3):549-59

Ampaiboon A, Lasunon O, Bubphachot B. Optimization and prediction of ultimate tensile strength in metal active gas welding. The Scientific World Journal 2015;2015: 831912.

Naik AB, Reddy AC. Optimization of tensile strength in TIG welding using the Taguchi method and analysis of variance (ANOVA). Thermal Science and Engineering Progress 2018;8:327-39.

Sridhara SNS, Allada SCS, Sai PVS, Banala S, Subbiah R, Marichamy S. Tensile strength performance and optimization of Al 7068 using TIG welding process. Materials Today: Proceedings 2021;45(Pt 2):2017-21.

Khantongkum S, Thanasuptawee U, Promdan W, Siwadamrongpong S. Mechanical properties of weld joint by friction stir welding on aluminum alloy 5083. Proceedings of 10th International Conference on Mechatronics and Control Engineering (ICMCE 2021); 2021 Jul 26-28; Lisbon, Portugal. Singapore: Springer; 2023. p. 37-42.

Teng-Hongcharoen S, Promkochasut C. Welding process. Bangkok: Academic Support Center; 2013. (In Thai)