خلاصه اختراع :

در این طرح، روش جدیدی برای تشخیص تشكیل یك ماده ی خاص (یك فاز خاص) در یك فرایند متالورژیكی در محدوده ی پارامترهای تعریف شده ارائه شده است. بدین منظور از آنالیز پراش اشعه ی ایكس محصول در بین یك بازه از شرایط فرایند و روش مدل سازی شبكه های عصبی به عنوان ابزاری جهت یافتن الگوی پراش اشعه ی ایكس محصولات در داخل آن بازه استفاده شده است. ویژگی ممتاز این روش تعیین زمان بهینه، حداقل كردن فرایندها و هزینه های آزمایشگاهی، كاهش خطا و زمان با استفاده از روش های مدل سازی است. در این روش محصولات بدست آمده در فواصل زمانی معین تحت آنالیز پراش اشعه ی ایكس قرار گرفته و نتایج حاصل، به عنوان داده هایی جهت آموزش شبكه ی عصبی مورد استفاده قرار خواهند گرفت. پس از مدل سازی فرایند متالورژیكی، شبكه ی عصبی طراحی شده توانایی ایجاد همه ی پیك های پراش اشعه ی ایكس در محدوده ی تعریف شده را دارا می باشد. با مقایسه پیك های بدست آمده از شبكه ی عصبی با جدول كارت استاندارد JCPDS، فازهای موجود قابل تشخیص بوده و همچنین زمان بهینه ی تشكیل فاز حاصل گردید. براساس مدل طراحی شده و با توجه به زمان بهینه ی تشكیل فاز، تشكیل تركیب مورد نظر قابل پیش بینی می باشد. در این طرح تشكیل تركیب بین فلزی Ni3Al به وسیله ی فرایند آلیاژسازی مكانیكی با استفاده از روش مزبور به عنوان مثال مورد بررسی قرار گرفت. چكیده در پژوهش حاضر برای اولین بار پیك های پراش اشعه ی ایكس با استفاده از شبكه ی عصبی، مدل سازی و پیش بینی شده است. برای این منظور تركیب بین فلزی Ni3Al به روش آلیاژسازی مكانیكی تولید و تحت آزمایش پراش اشعه ی ایكس قرار گرفته است. برای مدل سازی و پیش بینی رفتار كاملاَ غیر خطی این نمودارها از شبكه های عصبی RBF و MLP با آرایش های مختلف استفاده شده و نتایج با یكدیگر مقایسه شده است. مشاهده می شود كه شبكه های چند لایه با الگوریتم آموزشی پسخور بازگشتی بهترین توانایی را در پیش بینی و مدل سازی این رفتارهای غیرخطی دارند. نتایج پیش بینی شده توسط شبكه ی عصبی یا نتایج تجربی به نحو بسیار مطلوبی تطابق دارند. این روش می تواند برای مدل سازی و پیش بینی پیك های پراش اشعه ی ایكس تمام عناصر و تركیبات بكار رود.