پیش‌بینی خواص مکانیکی نانوکامپوزیت‌های پلی‌اتیلن سبک - نشاسته گرمانرم با استفاده از سامانه استنتاج فازی- عصبی تطبیقی

نوع مقاله: پژوهشی

نویسندگان

چکیده

رفتار مکانیکی نانوکامپوزیت های پلی اتیلن سبک  نشاسته گرمانرم با استفاده از سامانه استنتاج فازی  عصبی تطبیقی بررسی شده است. بدین منظور، کامپوزیت های پلی اتیلن سبک  نشاسته گرمانرم حاوی مقادیر مختلف )صفر تا 3 درصد وزنی( نانوخاک رس ) Cloisite 15A ( با استفاده از فرایند اکستروژن تهیه شد. در عمل، انجام آزمون های مختلف برای تشخیص ارتباط میان پارامترهای فرایندی اکستروژن و خواص مکانیکی نانوکامپوزیت ها بسیار مشکل است. در این پژوهش، سامانه استنتاج فازی  عصبی تطبیقی ) ANFIS ( برای ایجاد نگاشت غیرخطی میان پارامترهای فرایندی و خواص مکانیکی نانوکامپوزیت ها به کار گرفته شد. مدل انفیس به دلیل داشتن قابلیت استنتاج و استدلال سامانه های فازی و خاصیت یادگیری شبکه های عصبی، می تواند به عنوان مدل چندورودی  چندخروجی برای پیش بینی خواص مکانیکی نانوکامپوزیت ها مانند استحکام کششی نهایی، ازدیاد طول تا پارگی، مدول یانگ و استحکام ضربه ای نسبی به کار رود. در مدل پیشنهادی گشتاور فرایندی، دما و مقدار نانوخاک رس کلویزیت 15A به عنوان پارامترهای ورودی برای پیش بینی خاصیت مکانیکی مدنظر استفاده شدند. نتایج به دست آمده در این پژوهش نشان می دهد، مدل انفیس پیشنهادی روش مؤثر و هوشمندی برای پیش بینی خواص مکانیکی نانوکامپوزیت های پلی اتیلن سبک  نشاسته گرمانرم با دقت خوبی است. کیفیت آماری مدل انفیس به دلیل داشتن معیار میانگین مجذور مربع خطای قابل قبول و ضریب همبستگی خوب )مقادیر R2 بیشتر از ۸/ ۰( بین خروجی های تجربی و شبیه سازی شده، مورد پذیرش است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Mechanical Properties of LDPE-TPS Nanocomposites Using Adaptive Neuro-Fuzzy Inference System

نویسندگان [English]

  • Maryam Sabetzadeh
  • Rouhollah Bagheri
  • Maryam Shahriari Kahkeshi
چکیده [English]

The changes in the behaviour of mechanical properties of low density
polyethylene-thermoplastic corn starch (LDPE-TPCS) nanocomposites
were studied by an adaptive neuro-fuzzy interference system. LDPE-TPCS
composites containing different quantities of nanoclay (Cloisite®15A, 0.5-3wt. %) were prepared by extrusion process. In practice, it is difficult to carry out several experiments to identify the relationship between the extrusion process parameters and mechanical properties of the nanocomposites. In this paper, an adaptive neuro-fuzzy inference system (ANFIS) was used for non-linear mapping between the processing
parameters and the mechanical properties of LDPE-TPCS nanocomposites. ANFIS model due to possessing inference ability of fuzzy systems and also the learning feature of neural networks, could be used as a multiple inputs-multiple outputs to predict mechanical properties (such as ultimate tensile strength, elongation-at-break, Young’s modulus and relative impact strength) of the nanocomposites. The proposed ANFIS model utilizes temperature, torque and Cloisite®15A contents as input parameters to predict the desired mechanical properties. The results obtained in this work indicated
that ANFIS is an effective and intelligent method for prediction of the mechanical properties of the LDPE-TPCS nanocomposites with a good accuracy. The statistical quality of the ANFIS model was significant due to its acceptable mean square error criterion and good correlation coefficient (values > 0.8) between the experimental and simulated outputs.

کلیدواژه‌ها [English]

  • prediction
  • Nanoclay
  • temperature
  • torque
  • mechanical properties