dc.contributor.author | Γαλανός, Παντελεήμων![]() |
el |
dc.contributor.author | Galanos, Panteleimon![]() |
en |
dc.date.accessioned | 2023-03-09T09:50:56Z | |
dc.date.available | 2023-03-09T09:50:56Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/57217 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.24915 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Συστήματα Αυτοματισμού” | el |
dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
dc.subject | Friction Welding | en |
dc.subject | Artificial Neural Network | en |
dc.subject | Modeling | en |
dc.subject | Νευρωνικά Δίκτυα | el |
dc.subject | Συγκόλληση με Τριβή | el |
dc.subject | Μοντελοποίηση | el |
dc.subject | Αυτοματισμοί | el |
dc.title | Σχεδιασμός κατεργασίας συγκόλλησης με τριβή με χρήση νευρωνικών δικτύων | el |
heal.type | masterThesis | |
heal.classification | Νευρωνικά Δίκτυα | el |
heal.classification | Συγκόλληση με Τριβή | el |
heal.classification | Μοντελοποίηση | el |
heal.classification | Artificial Neural Networks | en |
heal.classification | Friction Welding | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-02-06 | |
heal.abstract | Η παρούσα εργασία πραγματεύεται την αυτοματοποίηση στην εξαγωγή παραμέτρων για την συγκόλληση διαφορετικών ή και ίδιων υλικών με friction welding. Για τον λόγο αυτό αναπτύχθηκαν 5 νευρωνικά δίκτυα, ένα για κάθε μια από τις πέντε παραμέτρους κατεργασίας που σχετίζονται με την συγκόλληση με τριβή, οι οποίες είναι η πίεση και ο χρόνος σφυρηλάτησης, η πίεση και ο χρόνος τριβής καθώς και ο αριθμός περιστροφών ανά λεπτό του chuck της μηχανής. Τα δίκτυα αυτά εκπαιδεύτηκαν κατάλληλα ώστε να αποδίδουν τις όσο το δυνατόν καλύτερες και πιο αποδεκτές παραμέτρους κατεργασίας μέσα από δεδομένα που συλλέχθηκαν από την διεθνή βιβλιογραφία και σχετίζονταν με τις μηχανικές και θερμικές ιδιότητες των υλικών. Οι ιδιότητες αυτές ήταν το μέτρο ελαστικότητας (GPa), το όριο διαρροής (MPa), η σκληρότητα (Vickers), η θερμική αγωγιμότητα [W/(mK)], η θερμοχωρητικότητα (J/g·Κ) και ο συντελεστής θερμικής διαστολής [(°C)¯¹] για κάθε ένα από τα υλικά. Η αυτοματοποίηση της διαδικασίας θα επιτυγχάνεται από το γεγονός ότι ο χρήστης θα δίνει ως δεδομένα τις ιδιότητες αυτές, με την μορφή διανύσματος στήλης 12 θέσεων και τα δίκτυα θα του επιστρέφουν ως αποτέλεσμα τις 5 παραμέτρους της κατεργασίας. Για την εκπαίδευση των νευρωνικών δικτύων επιλέχθηκε η γραμμική παλινδρόμηση ενώ ο αλγόριθμος που εφαρμόστηκε ήταν ο Levenberg-Marquardt (LM). Η ανάπτυξη τους έγινε στο περιβάλλον της MATLAB μέσω της ανάπτυξης κατάλληλου κώδικα ενώ μετά από πολλες δοκιμές και αρχιτεκτονικές επίλεχθηκε να χρησιμοποιηθεί μόνο ένα κρυφό επίπεδο με τον αριθμό τω νευρώνων να κυμαίνονται μεταξύ τεσσάρων με εφτά, λόγω της απλότητας του προβλήματος που μελετήθηκε. | el |
heal.abstract | This thesis deals with automation in the extraction of parameters for the welding of different or even the same materials with friction welding. For this reason, 5 neural networks were developed, one for each of the five machining parameters related to friction welding, which are forging pressure and time, friction pressure and time, and the number of revolutions per minute of chuck of the machine. These networks were properly trained to perform the best machining parameters, through data collected from the international literature and related to the mechanical and thermal properties of the materials. The conditions were modulus of elasticity (GPa), yield strength (MPa), hardness (Vickers), thermal conductivity [W/(mK)], heat capacity (J/g · K) and coefficient of thermal expansion [ ( °C)¯¹] for each of the materials. For the training of the neural networks, linear regression was chosen while the algorithm applied was Levenberg-Marquardt (LM). Their development was done in the MATLAB environment through the development of relative code, while after many tests and architectures it was chosen to use only one hidden layer with the number of neurons varying between four and seven, due to the simplicity of the studied problem. | en |
heal.advisorName | Βοσνιάκος, Γεώργιος Χριστόφορος | el |
heal.committeeMemberName | Μπενάρδος, Πανώριος | el |
heal.committeeMemberName | Μανωλάκος, Δημήτριος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 74 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: