پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,018 |
| تعداد دریافت فایل اصل مقاله | 4,882,766 |
مدل‌سازی سختی تایرها برپایه سرعت انتشار امواج فراصوتی طولی با استفاده از رگرسیون فرآیند گاوسی | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 4، دوره 51، شماره 5، آذر و دی 1398، صفحه 1005-1016 اصل مقاله (406.37 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2018.13494.5649 | ||
| نویسندگان | ||
| ابوالفضل Foorginejad* 1؛ مرتضی طاهری2؛ نادر ملایی3؛ مهدی شیوا4 | ||
| 1استادیار گروه مهندسی مکانیک/ دانشگاه صنعتی بیرجند | ||
| 2دانشجوی کارشناسی ارشد، مهندسی مکانیک، دانشگاه بیرجند | ||
| 3عضو هیات علمی گروه مهندسی کامپیوتر دانشگاه صنعتی بیرجند | ||
| 4عضو هیات علمی گروه مهندسی شیمی دانشگاه صنعتی بیرجند | ||
| چکیده | ||
| آزمون‌های غیرمخرب، از قابلیت شناسایی عیوب و بررسی خواص قطعه بدون تغییر خواص قطعه، برخوردار می‌باشند. آزمون غیرمخرب فراصوتی در پژوهش‌های بسیاری برای مطالعه ویژگی‌های مختلف مواد از قبیل خواص مکانیکی و ساختاری، مورد استفاده قرار گرفته است. از سرعت انتشار امواج فراصوتی به شکل گستردهای در اندازه‌گیری سختی فلزات استفاده می‌شود. در پژوهش حاضر برای اولین بار از روش غیرمخرب آزمون فراصوتی برای بررسی سختی لاستیک استفاده شده و مدل‌سازی توسط رگرسیون فرایند گوسی انجام شده است. به این منظور 87 نمونه آمیزه با فرمول‌بندی متفاوت تهیه و در دو دمای متفاوت پخت گردیدند. پس از فرآیند پخت، خواص سختی و سرعت امواج فراصوتی طولی درون آمیزه اندازه گرفته شدند. نتایج مدل‌سازی انجام شده توسط رگرسیون فرآیند گاوسی نشان دادند که مدل ایجاد شده به شکل موفقیت آمیزی قادر به پیش بینی سختی در لاستیک است. همچنین با وجود بررسی تکرارپذیری وجود ارتباط بین سختی و سرعت امواج فراصوتی مشاهده شده است و امکان جایگزینی روش ارائه شده برای اندازه‌گیری پارامتر سختی وجود دارد. مزیت دیگر روش پیشنهادی، زمان کوتاه انجام آزمون و عدم نیاز به جداسازی نمونه در خطوط تولید لاستیک است که باعث می‌شود بتوان از آن به شکل برخط در خطوط تولید تایر استفاده نمود. | ||
| کلیدواژه‌ها | ||
| سرعت انتشار امواج فراصوتی؛ سختی؛ آمیزه لاستیکی؛ رگرسیون فرآیند گاوسی | ||
| عنوان مقاله [English] | ||
| Tire Hardness Modeling Based on Longitudinal Ultrasonic Velocity Using the Gaussian Process Regression | ||
| نویسندگان [English] | ||
| Abolfazl Foorginejad1؛ Morteza Taheri2؛ nader mollayi3؛ mehdi shiva4 | ||
| 1Department of mechanical engineering, Birjand University of Technology,Birjand | ||
| 2Department of mechanical engineering, University of Birjand | ||
| 3Department of computer engineering, Birjand University of Technology | ||
| 4Department of chemical engineering, Birjand University of Technology | ||
| چکیده [English] | ||
| Non-destructive tests have capabilities to investigate and identify the defects and properties of the test piece without changing the physical and mechanical properties of the sample. The non-destructive ultrasonic test has been used in many investigations to study different material properties such as mechanical and structural properties. The ultrasonic wave propagation velocities have been widely used for metal hardness measurement. In this study, for the first time, non-destructive ultrasonic testing has been employed to measure the hardness of rubber compounds using Gaussian process regression. Eighty-seven samples with different formulations were prepared and vulcanized. After the vulcanization, the compound hardness of the samples and the longitudinal ultrasonic wave velocity through them was measured. The result of Gaussian process regression model shows that this model performs well and able to predict tire hardness. Also, investigating repeatability shows that this method can be a good alternative for conventional hardness testing method in measuring the hardness of rubbers. According to the low time of the test in this method and no need to sample preparation, the proposed method can be used in tire production lines. | ||
| کلیدواژه‌ها [English] | ||
| Longitudinal ultrasonic velocity, Hardness, Rubber compound, Gaussian process regression | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] V. Rajendran, S.M. Kumaran, T. Jayakumar, P. Palanichamy, P. Shankar, B. Raj, Microstructure and ultrasonic behaviour on thermal heat-treated Al–Li 8090 alloy, Journal of Alloys and Compounds, 478(1) (2009) 147-153. [2] H.A. Afifi, A.M. El Sayed, Ultrasonic properties of ENR- EPDM rubber blends, Polymer bulletin, 50(1-2) (2003) 115-122. [3] A. Higazy, H. Afifi, A. Khafagy, M. El-Shahawy, A. Mansour, Ultrasonic studies on polystyrene/styrene butadiene rubber polymer blends filled with glass fiber and talc, Ultrasonics, 44 (2006) e1439-e1445. [4] M.A. El-Hadek, Fracture Mechanics of Rubber Epoxy Composites, Metallurgical and Materials Transactions A, 45(9) (2014) 4046-4054. [5] P. Kerdtongmee, C. Pumdaung, S. Danworaphong, Quantifying dry rubber content in latex solution using an ultrasonic pulse, Measurement Science Review, 14(5) (2014) 252-256. [6] M. Taheri, A. Foorginejad, M. Shiva, S.M. Emam, Haddadi, Investigation of rubber formulation by measuring ultrasonic propagation velocity, Journal of Solid and Fluid Mechanics, 6(2) (2016) 285-294. [7] F. Uzun, A.N. Bilge, Application of ultrasonic waves in measurement of hardness of welded carbon steels, Defence Technology, 11(3) (2015) 255-261. [8] N. Korde, T. Kundu, Material hardness and ageing measurement using guided ultrasonic waves, Ultrasonics, 53(2) (2013) 506-510. [9] A.B. Bouda, A. Benchaala, K. Alem, Ultrasonic characterization of materials hardness, Ultrasonics, 38(1) (2000) 224-227. [10] R.S. Michalski, J.G. Carbonell, T.M. Mitchell, Machine learning: An artificial intelligence approach, Springer Science & Business Media, 2013. [11] T. Hastie, R. Tibshirani, J. Friedman, Overview of supervised learning, in: The elements of statistical learning, Springer, 2009, pp. 9-41. [12] R.J. Carroll, D. Ruppert, L.A. Stefanski, J. Buonaccorsi, Measurement error in nonlinear models, Metrika, 45(3) (1997) 182-183. [13] M. Ebden, Gaussian processes for regression: A quick introduction, The Website of Robotics Research Group in Department on Engineering Science, University of Oxford, (2008). [14] R.M. Neal, Bayesian learning for neural networks, Springer Science & Business Media, 2012. [15] C.K. Williams, C.E. Rasmussen, Gaussian processes for regression, in: Advances in neural information processing systems, 1996, pp. 514-520. [16] C.M. Bishop, Pattern recognition and machine learning, springer, 2006. [17] C.E. Rasmussen, C.K. Williams, Gaussian processes for machine learning, MIT press Cambridge, 2006. [18] D.J. MacKay, Introduction to Gaussian processes, NATO ASI Series F Computer and Systems Sciences, 168 (1998) 133-166. [19] R. Fletcher, Conjugate gradient methods for indefinite systems, Numerical analysis, (1976) 73-89. [20] D.M. Olsson, L.S. Nelson, The Nelder-Mead simplex procedure for function minimization, Technometrics, 17(1) (1975) 45-51. [21] B. Hull, V. John, Non-destructive testing, (1988). [22] J. Weston, A. Elisseeff, G. Bakir, F. Sinz, The spider machine learning toolbox, Software available at http:// www. kyb. tuebingen. mpg. de/bs/people/spider, (2005). | ||
|
آمار تعداد مشاهده مقاله: 752 تعداد دریافت فایل اصل مقاله: 672 |
||
