Using Artificial Neural Networks to Predict the Effect of Input Parameters on Weld Bead Geometry for SAW Process
Notice bibliographique
Résumé
Based on high quality and reliability, one of the most efficient methods for joining metals is Submerged Arc Welding (SAW). In this presented work, an attempt has been successfully taken to develop a model to predict the effect of input parameters on weld bead geometry of submerged arc welding process with the help of neural network technique and analysis of various process control variables and important of weld bead parameters in submerged arc welding. The complexity non-linear relationships of input / output variables for any computational models can be addressed by using artificial neural networks (ANN). Today, ANN represents a powerful modeling technique, that depend on statistical approach, presently practiced in many fields of engineering for modeling complex relationships that other physical models cannot be explained it easily. A welding process with automatic or semiautomatic is required to complete the weld through using tubular electrode with consumable flux. Parameters such as welding current, welding speed and voltage are influenced on the quality of the joints. The work conducts many experiments; these are basically depending on many factors and levels. A selection of 2205 duplex stainless steel is carried out in this study to conduct three factors and five levels of central composite design. Neural network model structure having number of neurons layers such as (3 input layers, 1 hidden layer and 3 output layers) with back propagation algorithm has been successfully applied to extract weld bead geometry from predicting the effect of input parameters. Good agreement was obtained between predicted and experiment results, however process parameters such as speed shows opposite effect on all weld parameters. It was seen that weld height and width are proportional to the amount of input current. The prediction of the neural network model showed excellent agreement with the actual results, which indicate that the neural network is viable means for predicting of not only weld bead geometry, but also other parameters such as polarity, current type and flux geometry. This recommends setting the neural network to be applicable for real time work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».