مقایسه روش های رگرسیون، کلونی زنبورعسل و شبکه عصبی مصنوعی در پیش بینی پرشدگی قالب در مهرزنی صفحات دوقطبی پیل سوختی

Abstract

افزایش عمق میکروکانال‌های صفحات دوقطبی فلزی در پیل های سوختی غشاء پروتون منجر به افزایش بازده خواهد شد. در این پژوهش، از فرآیند مهرزنی برای ساخت صفحات دوقطبی از جنس تیتانیوم خالص تجاری با الگوی شیاری موازی مستقیم استفاده‌شده است. تأثیر پارامترهای فرآیند شامل لقی قالب، سرعت شکل دهی و ضریب اصطکاک بین ورق و قالب بر روی نرخ پرشدگی و میزان نازک شدگی صفحات دوقطبی بررسی شد. آزمایش های لازم با استفاده از روش رویه پاسخ طراحی، با استفاده از مدل اجزای محدود صحت سنجی شده اجرا و خروجی های موردنظر استخراج شدند. سپس با استفاده از روش رگرسیون، یک معادله درجه دوم برای پیش بینی نرخ پرشدگی بر اساس پارامترهای ورودی ارائه شد. در ادامه با استفاده از الگوریتم کلونی زنبورعسل مصنوعی، ضرایب معادله مذکور بهبودیافته و میزان خطای آن در حدود 53% کاهش یافت. در پایان نیز از یک شبکه عصبی مصنوعی برای پیش بینی نرخ پرشدگی استفاده شد. نتایج نشان داد که شبکه عصبی پیشنهادی بسیار مؤثر بوده و با دقت بسیار بالایی نرخ پرشدگی میکروکانال را تقریب می زند.

Keywords

• صفحات دوقطبی تیتانیومی
• عمق شکلدهی
• فرآیند مهرزنی
• الگوریتم کلونی زنبورعسل مصنوعی
• شبکه عصبی مصنوعی