عنوان پایان‌نامه
پیش بینی عمر خستگی در پوسته کوره دوار سیمان با در نظر گرفتن تائ ثیر لایه های عایق به کمک شبکه عصبی
- رشته تحصیلی
- مهندسی مکانیک طراحی کاربردی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1638;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 42786
- تاریخ دفاع
- ۳۱ شهریور ۱۳۸۸
- دانشجو
- علی احراری
- استاد راهنما
- مسعود شریعت پناهی
- چکیده
- با توجه به هزینه بالای طراحی، ساخت و نصب کوره های دوار سیمان، طراحی این کوره ها با ضریب اطمینان بالا و تا حد امکان بصورت دقیق همواره مد نظر مهندسان بوده است. با توجه به بوجود آمدن تنش های پسماند، هرگونه توقف در عملکرد کوره، کاهش چشمگیری در عمر کوره خواهد داشت. یکی از عمده ترین علل از کار افتادگی کوره های پخت سیمان، واماندگی پوسته این کوره ها است که می تواند ناشی از خستگی آن در طول زمان باشد. گرچه استفاده از روش های تحلیلی نظیر روش انرژی تقریب نسبتا مناسبی از توزیع تنش در پوسته را ارائه می دهد، اما همانگونه که در این پژوهش نشان داده می شود، استفاده از روش های دقیق تر می تواند بطرز قابل توجهی هزینه فولاد مصرفی و در نتیجه وزن کوره را کاهش دهد. در این پژوهش ابتدا نحوه مدل سازی و تحلیل یکی از کوره های طراحی شده بروش های مرسوم در نرم افزار المان محدود ANSYS توضیح داده می شود. سپس یک شبکه عصبی با دقت بالا برای پیش بینی عمر خستگی کوره با توجه به ضخامت بخش های مختلف تربیت می شود و در پایان، با استفاده از شبکه تربیت شده، کوره موجود بهینه سازی می شود. نتایج بدست آمده از بهینه سازی کوره نشان می دهد که میتوان با حفظ ضریب اطمینان پیشین، وزن پوسته را بطرز قابل توجهی کاهش داد که علاوه بر کاهش هزینه مواد مصرفی، هزینه مراحل ساخت و نصب نیز کاهش می یابد.
- Abstract
- Regarding high cost of rotary cement kiln design, manufacturing and assembling, reliable and precise design of these kilns is always concerned by engineers. Any halt in kiln performance results in generation of residual stress, which significantly decreases durability of the kiln. Fatigue failure of kiln shell limits its durability. Although use of analytical methods like energy method results in quite acceptable estimation of stress distribution in the kiln, but use of more accurate methods can result in a significant reduction in raw material cost and consequently the kiln’s weight. In this research, analysis process of a typical kiln by using FE software ANSYS is elaborated. Then, a neural network is trained to predict fatigue life of the kiln regarding the thickness of shell’s sections. At the end, the basic kiln is optimized using neural networks. Results obtained from optimization of the basic kiln reveal that the kiln’s weight can be considerably reduced while the preliminary safety factor is kept, which leads to a reduction in raw material, manufacturing and assembling cost.
