Σχεδιασμός κατεργασίας συγκόλλησης με τριβή με χρήση 
νευρωνικών δικτύων

Γαλανός, Παντελεήμων; Galanos, Panteleimon

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