ANFIS Modelling of the Tensile Strength of Arc Stud Welding Joints

Yıl 2016, Cilt: 31 Sayı: ÖS1, 79 - 88, 15.08.2016

Necip Fazıl Yılmaz , M Veysel Çakır Musa Yılmaz

https://doi.org/10.21605/cukurovaummfd.311889

Cited By: 3

Öz

In arc stud welding process, welding parameter set must be properly adjusted to obtain good welding joints which have desired properties. Therefore, it is needed to be mathematically modelling of the complex relationships between the input variables and output variables which have desired quality. In this article, a model that predicts the tensile strength of stud welding connections based on Adaptive Neural Network Fuzzy Inference System (ANFIS) was developed. Stud diameter, welding current, welding time, plunge and lift are taken as input parameters in this model. Developed model will be a guide for the selection of the process parameters for stud welding industry and its users.

Anahtar Kelimeler

Stud welding, Tensile strength, Mathematical model, ANFIS

Saplama Kaynak Bağlantılarının Çekme Dayanımının ANFIS ile Modellenmesi

Öz

Saplama kaynak yönteminde istenilen özellikleri sağlayan iyi bir kaynak bağlantısı elde etmek için işlem parametrelerinin doğru ayarlanması gerekmektedir. Bunun için istenilen kalite özelliklerine sahip çıktı parametreleri ile girdi değişkenleri arasındaki karmaşık ilişkinin matematiksel olarak modellenmesine ihtiyaç duyulmaktadır. Bu makalede, saplama kaynak bağlantılarının çekme dayanımı tahmin eden bir model Adaptif Sinir Ağına Dayalı Bulanık Çıkarım Sistemi (ANFIS) ile geliştirilmiştir. Girdi parametreleri olarak saplama çapı, akım, zaman, kaldırma yüksekliği ve dalma miktarı alınmıştır. Geliştirilen bu model endüstride saplama kaynağı kullanıcılarına işlem parametreleri seçimi için bir rehber olacaktır.

Anahtar Kelimeler

Saplama kaynağı, Çekme dayanımı, Matematiksel modelleme, ANFIS

Kaynakça

• 1. http://www.nelsonstud.com/portal/
• 2. Behrens B.A., Gruß D., Jenicek A., 2011. Stud welding within sheet metal working tools. Prod. Eng. Res. Devel. pp. 283–292.
• 3. Hildebrand J., Soltanzadeh H., 2014. A Review on Assessment of Fatigue Strength in Welded Studs. International Journal of Steel Structures. pp. 421-438.
• 4. Hamza A.A., 2014. Investigation of the Effect of Parameters on Mechanical and Microstructural Properties of Arc Stud Welding. MSc thesis in Mechanical Engineering in Gaziantep University.
• 5. Yilmaz N.F., Hamza A.A., 2014. Effect of Process Parameters on Mechanical and Microstructural Properties of Arc Stud Welds. Materials Testing pp: 806-811.
• 6. Klaric S., Kladaric I., Kozak D., Stoic A., Ivandic Z., Samardzic I. 2009. The Influence of the Stud Arc Welding Process Parameters on the Weld Penetration. Fascicle: Mechanics. Tribology. Machine Manufacturing Technology. Series C. pp. 79-84.
• 7. Samardzic I., Kladaric I., Klaric S. 2009. The Influence of Welding Parameters on Weld Characteristics in Electric Arc Stud Welding. Metalurgija pp. 181-185.
• 8. Hamza R.M.A., 2012. Optimized stud arc welding process control factors by Taguchi experimental design technique. Gulf University, Chapter 15. pp. 369-394. Kingdom of Bahrain.
• 9. Fricke W., Tchuindjang D.D. 2013. Fatigue strength behaviour of stud-arc welded joints in load-carrying ship structures. Weld World pp.495–506.
• 10. Hamza R.M.A. 2011. Multi-objective neural network modelling for improving stud arc welding process joining. Journal of Engineering Science and Technology. pp. 382 – 391.
• 11. Hsu C., Mumaw J., 2011. Weldability of advanced high strength steel drawn arc stud welding. Welding Journal pp. 45-53.
• 12. Davis, J.R., 2004. Second edition Tensile Testing. ASM International, United States of America.
• 13. Elmas, Ç., 2003. Bulanık Mantık Denetleyiciler (Kuram, Uygulama, Sinirsel Bulanık Mantık). Seçkin Yayıncılık.
• 14. Jang, J.S.R., Sun, C.T., Mizutani, E., 1997. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Prentice Hall, Inc.
• 15. Kim, J., Kasabov, N., 1999. ANFIS: Adaptive Neurofuzzy inference systems and their application to nonlinear dynamical systems. Neural Networks. pp. 1301-1319.
• 16. Yücel, A., Güneri, A.F., 2010. Application of Adaptive Neuro Fuzzy Inference System to Supplier Selection Problem. Journal of Engineering and Natural Sciences, pp. 224-234.
• 17. Subaşı, S., Şahin, İ., Çomak, B., 2010. Tahribatsız Test Sonuçları Kullanılarak Uçucu Kül İkameli Betonlarda Basınç Dayanımının ANFIS ile Tahmini. International Journal of Technologic Sciences pp. 9-16.
• 18. Jang, J.S.R., 1993. ANFIS: Adaptive-network-based fuzzy inference systems. IEEE Trans. Syst. Man Cybern pp.665-685. 19. Sugeno, M., Kang, G.T., 1988. Structure identification of fuzzy model. Fuzzy Sets and Systems. pp.15–33.
• 20. Demirel, Ö., 2009. ANFIS ve ARMA Modeller İle Elektrik Enerjisi Yük Tahmini. Marmara Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi.
• 21. Singh, K. P., Basant, A., Malik, A., Jain, G., 2009. Artificial neural network modeling of the river water quality—a case study. Ecological Modelling. pp. 888-895.
• 22. Doğan, E., Ateş, A., Yılmaz, E.C., Eren, B. 2008. Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand. Environmental Progress. pp. 439-446.