- Tytuł:
-
Fatigue Life Predictions of Metal Matrix Composites Using Artificial Neural Networks
Przewidywania trwałości zmęczeniowej kompozytów metalowych przy użyciu sztucznych sieci neuronowych - Autorzy:
-
Uygur, I.
Cicek, A.
Toklu, E.
Kara, R.
Saridemir, S. - Powiązania:
- https://bibliotekanauki.pl/articles/355098.pdf
- Data publikacji:
- 2014
- Wydawca:
- Polska Akademia Nauk. Czytelnia Czasopism PAN
- Tematy:
-
MMCs
fatigue life prediction
artificial neural networks
przewidywania trwałości zmęczeniowej
sztuczne sieci neuronowe - Opis:
-
In this study, fatigue life predictions for the various metal matrix composites, R ratios, notch geometries, and different temperatures have been performed by using artificial neural networks (ANN) approach. Input parameters of the model comprise various materials (M), such as particle size and volume fraction of reinforcement, stress concentration factor (Kt), R ratio (R), peak stress (S), temperatures (T), whereas, output of the ANN model consist of number of failure cycles. ANN controller was trained with Levenberg-Marquardt (LM) learning algorithm. The tested actual data and predicted data were simulated by a computer program developed on MATLAB platform. It is shown that the model provides intimate fatigue life estimations compared with actual tested data.
Zastosowano sztuczne sieci neuronowe (ANN) do przewidywania trwałości zmęczeniowej dla różnych kompozytów metalowych, parametrów R, geometrii karbu, i różnych temperatur. Parametry wejściowe modelu obejmowały: różne materiały (M), o różnym rozmiarze cząstek i objętosci frakcji zbrojącej, współczynnik koncentracji naprężeń (Kt), stosunek parametru R (R), naprężenie szczytowe (S), temperaturę (T), natomiast dane wyjściowe składały się z liczby cykli awarii (SSN). Kontroler ANN był trenowany z użyciem algorytmu uczenia Levenberga-Marquardta (LM). Badane dane rzeczywiste i dane przewidywane symulowane były przez program komputerowy opracowany na platformie MATLAB. Wykazano, że model zapewnia oszacowanie trwałości zmęczeniowej bliską rzeczywistym danym badanym. - Źródło:
-
Archives of Metallurgy and Materials; 2014, 59, 1; 97-103
1733-3490 - Pojawia się w:
- Archives of Metallurgy and Materials
- Dostawca treści:
- Biblioteka Nauki
Artykuł