view in publisher's site

Process modeling and parameter optimization of surface coatings using artificial neural networks (ANNs): State-of-the-art review

Thin-film coatings and surface engineering procedures have a significant role in developing materials with extended mechanical, thermal and tribological properties. Advancement in the surface modification technology has encouraged investigators to develop new deposition techniques for producing high hardness, decent wear resistance, good corrosion resistance, high adhesion strength, and self-lubricating nature coated components. In this context, aiming desired level of such properties is key to successful performance of surface engineered coatings and their deposition methods. Parametric optimization and process modeling is a crucial step in the coating deposition process and for studying the properties attained for the coated components, but unfortunately it is not well understood in the literature. Although general, statistical and conventional approaches have been examined to model and predict the surface coating properties, there are still some challenges in outlining and comprehending the process parameters due to complex and non-linear nature of coating methods. Currently, machine learning techniques alternative to statistical approaches showing some sense of direction to address the quantitative gap between process inputs and outputs and build their relationship effectively. The review of this paper is primarily focused on providing a summary on artificial neural networks (ANNs) role in process modeling and parameter optimization of surface coatings. The present review can endow some knowledge to the researchers involving in this field of research.

مدل‌سازی فرآیند و بهینه‌سازی پارامتر پوشش‌های سطحی با استفاده از شبکه‌های عصبی مصنوعی (ANN ها): بررسی نوین

پوشش‌های لایه نازک و روش‌های مهندسی سطح نقش مهمی در توسعه مواد با خواص مکانیکی، حرارتی و تریبولوژیکی گسترده دارند. پیشرفت در تکنولوژی اصلاح سطح، محققان را به توسعه تکنیک‌های جدید رسوب برای تولید سختی بالا، مقاومت فرسایش مناسب، مقاومت خوردگی خوب، استحکام چسبندگی بالا، و اجزای پوشش داده‌شده با طبیعت روانکاری خود، تشویق کرده‌است. در این زمینه، هدف قرار دادن سطح مطلوب چنین ویژگی‌هایی، کلید عملکرد موفق پوشش‌های مهندسی سطحی و روش‌های رسوب آن‌ها می‌باشد. بهینه‌سازی پارامتریک و مدل‌سازی فرآیند یک گام مهم در فرآیند لایه‌نشانی پوشش و برای مطالعه خواص به‌دست‌آمده برای اجزای پوشش داده‌شده می‌باشد، اما متاسفانه در مقالات به خوبی درک نشده است. اگرچه به طور کلی، روش‌های آماری و متداول برای مدل‌سازی و پیش‌بینی خواص پوشش سطحی مورد بررسی قرار گرفته‌اند، اما هنوز چالش‌هایی در ترسیم و درک پارامترهای فرآیند به دلیل ماهیت پیچیده و غیر خطی روش‌های پوشش وجود دارد. در حال حاضر، تکنیک‌های یادگیری ماشین جایگزین روش‌های آماری می‌شوند که نشان‌دهنده نوعی حس جهت گیری برای رسیدگی به شکاف کمی بین ورودی‌ها و خروجی‌های فرآیند و ایجاد ارتباط موثر بین آن‌ها است. بررسی این مقاله در درجه اول بر ارائه خلاصه‌ای از نقش شبکه‌های عصبی مصنوعی (ANN ها)در مدل‌سازی فرآیند و بهینه‌سازی پارامتر پوشش‌های سطحی متمرکز شده‌است. مرور حاضر می‌تواند برخی از دانش‌ها را به محققان درگیر در این زمینه از تحقیق ارائه دهد.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.