تحسين معاملات اللحام بالقوس المعدني المغلف للفولاذ الكربوني لتعظيم مقاومة الشد باستخدام نموذج الشبكات العصبية الاصطناعية وخوارزمية تحسين سرب الجسيمات (ANN–PSO)
DOI:
https://doi.org/10.36602/ijeit.v14i2.627الكلمات المفتاحية:
اللحام بالقوس المعدني المغلف، تصميم تاجوشي التجريبي، مقاومة الشد القصوى، توزيع الصلادة، الشبكات العصبية الاصطناعية، خوارزمية تحسين سرب الجسيمات، تحسين الاستجابات المتعددة.الملخص
اللحام هو عملية تصنيع حاسمة تُستخدم على نطاق واسع في التطبيقات الهيكلية والصناعية الثقيلة، حيث يؤثر الأداء الميكانيكي للمفاصل بشكل مباشر على السلامة وموثوقية التشغيل وكفاءة العمليات. تهدف هذه الدراسة إلى استكشاف التأثير المشترك لكل من التيار اللحامي، قوة القوس، وقطر القطب على أقصى إجهاد شد (UTS) وتوزيع الصلابة عبر المعدن الأساسي (BM)، ومنطقة التأثير الحراري (HAZ)، والمعدن الملحوم (WM) في وصلات الصلب منخفض الكربون. تم استخدام تصميم تجريبي من نوع Taguchi L27 لتقييم تأثير هذه المعلمات ضمن ظروف لحام صناعية واقعية. أُجريت اختبارات الشد وقياسات الصلابة لتوصيف أداء الوصلات، بينما تم تطوير نموذج شبكة عصبية اصطناعية (ANN) للتنبؤ بقيم UTS بدقة عالية. بعد ذلك، تم تطبيق تحسين سرب الجسيمات (PSO) لتحديد معلمات العملية المثلى. وقد تنبأ إطار عمل ANN–PSO بقيمة UTS مقدارها 209.33 ميغاباسكال عند تيار لحام 86.5763 أمبير، وقوة قوس 17.2486%، وقطر قطب 3.3545 مم. وقد أظهر النموذج دقة تنبؤ عالية، مع R مساويًا لـ 0.79241 و RMSE مساويًا لـ 10.488، مما يبرهن على فعاليته في تحسين العملية باستمرار. توفر هذه النتائج توجيهًا عمليًا لاختيار معلمات اللحام لتعزيز قوة وموثوقية الوصلات، مع إبراز إمكانيات دمج تصميم Taguchi، ونمذجة ANN، وتحسين PSO في تطبيقات اللحام الصناعية المتقدمة.
التنزيلات
المراجع
[2] Lancaster, J.F., the Physics of Welding, Pergamon Press, 1986.
[3] Kim, I.S. et al., “Optimization of welding parameters for tensile strength in GMA welding”, Journal of Materials Processing Technology, 2003.
[4] Murugan, N., Parmar, R.S., “Effects of MIG process parameters on the geometry of the bead in steel plates”, Journal of Materials Processing Technology, 1994.
[5] Ross, P.J., Taguchi Techniques for Quality Engineering, McGraw-Hill, 1996.
[6] Lakshminarayanan, A.K., Balasubramanian, V., “Process parameter optimization for friction stir welding using Taguchi technique”, Materials & Design, 2008.
[7] Alkhwaji, A. I., BenIsa, M. M., & Aswihli, H. A. (2024). Estimating tool life from measurements during longitudinal turning process using linear least squares. Sebha University Journal of Pure & Applied Sciences, 23(1). https://doi.org/10.51984/JOPAS.V23I1.2888.
[8] Ben Isa, M. M., Aswihli, H. A., & Alkhwaji, A. I. (2021). Experimental Investigation of Cutting Parameters Effect on Surface Roughness During Wet and Dry Turning of Low Carbon Steel Material. Journal of Academic Research (Applied Sciences), 17.
[9] Akhtar, M., Alkhwaji, A. I., et al. (2021). Optimization of Process Parameters in CNC Turning of Aluminum 7075 Alloy Using L27 Array-Based Taguchi Method. Materials, 14(4470). https://doi.org/10.3390/ma14164470.
[10] Sivaraman, R., et al. (2020). A Study of the Optimum Cutting Parameters for The Surface Roughness in A Longitudinal Turning of Aluminum Alloy Using Taguchi Method. Journal of Alasmarya University: Basic and Applied Sciences, 6(5).
[11] Benyounis, K.Y., Olabi, A.G., “Optimization of different welding processes using statistical and numerical approaches”, Advances in Engineering Software, 2008.
[12] Tarng, Y.S., Yang, W.H., “Optimization of the weld bead geometry in gas tungsten arc welding by the Taguchi method”, International Journal of Advanced Manufacturing Technology, 1998.
[13] Rao, R.S., Kumar, C.G., Prakasham, R.S., Hobbs, P.J., “The Taguchi methodology as a statistical tool for biotechnological applications”, Biotechnology Journal, 2008.
[14] Haykin, S. Neural Networks and Learning Machines, 3rd ed., Pearson Education, 2009.
[15] Balasubramanian, V., Ravisankar, V., Madhusudhan Reddy, G., “Effect of welding processes on microstructure, tensile and impact properties of high strength low alloy steel joints”, Journal of Materials Engineering and Performance, 2008.
[16] Mattera, G., Chozaki, S. P., Norrish, J., “Advances in machine learning for parameters optimisation and in-situ monitoring of wire arc additive manufacturing,” Welding in the World, Vol. 70, pp. 1173–1202\, 2026. https://doi.org/10.1007/s40194-025-02200-5.
[17] Van, A.-L., Nguyen, T.-T., Dang, X.-B., “A Sustainable Gas Metal Arc Welding Operation: Machine Learning Models-Based Experiment and Optimization of Welded Carbon Steels,” Welding International, Vol. 39, No. 5, pp. 348–366, 2025. https://doi.org/10.1080/09507116.2025.2464696.
التنزيلات
منشور
الرخصة
الحقوق الفكرية (c) 2026 The International Journal of Engineering & Information Technology (IJEIT)
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
