Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Określenie własności mechanicznych poszczególnych obszarów strefy wpływu ciepła spoiny przy pomocy próby SPT

González H. R., Garcia C. R., Cárdenas M., Belzunce F. J., Betegón C., Antuña M.

Dozór Techniczny

2014

z. 3

65--69

W przepisach badania technologii ISO 16614-1 do określenia rozkładu własności wytrzymałościowych strefy wpływu ciepła spoiny stosuje się badania twardości HV10. Metoda SPT pozwala uzyskać mikro krzywe wytrzymałości w skali podobnej jak mikrotwardość. W poprzednich artykułach porównywano krzywe wytrzymałości próbek poddanych symulowanym cyklom cieplnym spawania z krzywymi mikrowytrzymałości SPT. Wyprowadzono wzory pozwalające przeliczyć mikrokrzywe na krzywe wytrzymałości dużych próbek. Próba SPT (ang. Small Punch Test) do określenia własności jakiegokolwiek materiału używa próbek o wymiarach 10x10x0,5 mm. Można ją zastosować do opisania strefy wpływu ciepła SWC złącz spawanych, które trudno scharakteryzować, ze względu na ich niewielkie rozmiary. To właśnie w SWC są obecne najtwardsze i najbardziej kruche struktury złącza, a zatem to one są odpowiedzialne za większość problemów związanych ze złączami spawanymi. SPT pozwala określić własności takie jak umowna granica plastyczności, wytrzymałość na rozciąganie, wydłużenie, energia pękania i odporność na pękanie. W niniejszej pracy przeanalizowano różnice w rezultatach testu uzyskane dla poszczególnych obszarów SWC stali hartowanej i odpuszczonej. Pobrano próbki z poszczególnych obszarów SWC złącza spawanego, które później przeanalizowano (SPT) w temperaturze pokojowej, odwołując się do próby twardości HV10. Zaobserwowano, że w poddanym badaniom złączu, w miarę oddalania się od linii wtopienia, własności wytrzymałościowe materiału w SWC, takie jak twardość, rosną, podczas gdy wydłużenie maleje.

Optimization of a modular neural network for pattern recognition using parallel genetic algorithm

Cárdenas M., Melin P., Cruz L.

Journal of Automation Mobile Robotics and Intelligent Systems

2011

Vol. 5, No. 1

77-84

In this paper, the implementation of a Parallel Genetic Algorithm (PGA) for the training stage, and the optimi zation of a monolithic and modular neural network, for pattern recognition are presented. The optimization con sists in obtaining the best architecture in layers, and neu rons per layer achieving the less training error in a shor ter time. The implementation was performed in a multicore architecture, using parallel programming techniques to exploit its resources. We present the results obtained in terms of performance by comparing results of the training stage for sequential and parallel implementations.