Published January 1, 2019
| Version v1
Publication
Optimization of dry compressive strength of groundnut shell ash particles (GSAp) and ant hill bonded foundry sand using ann and genetic algorithm
- 1. Chukwuemeka Odumegwu Ojukwu University
- 2. Federal University of Petroleum Resource Effurun
Description
In this research work, modeling and multi-objective optimization of dry foundry sand parameters were done using artificial neural network (ANN) and genetic algorithm (GA). ANN was used to predict dry compressive strength and unit production cost of dry foundry sand. The input parameters of the ANN were baking temperature, percentage additive (groundnut shell ash and ant hill soil) and baking time. The ANN predicted the dry compressive strength with a correlation coefficient of 0.99116 between the experimental values and predicted values, while the correlation coefficient between the observed unit cost and predicted unit cost was 1. The trained ANN was subsequently used as the fitness function for a GA used in the multi-objective optimization of the compressive strength and unit cost of production of the dry mould. The Pareto front showed the optimum strength and cost achievable with process input parameters.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في هذا العمل البحثي، تم إجراء النمذجة والتحسين متعدد الأهداف لمعلمات رمل المسبك الجاف باستخدام الشبكة العصبية الاصطناعية (ANN) والخوارزمية الوراثية (GA). تم استخدام ANN للتنبؤ بمقاومة الانضغاط الجاف وتكلفة إنتاج وحدة رمل المسبك الجاف. كانت معلمات الإدخال في ANN هي درجة حرارة الخبز والنسبة المئوية المضافة (رماد قشرة الفول السوداني وتربة تلة النمل) ووقت الخبز. تنبأت ANN بمقاومة الانضغاط الجاف بمعامل ارتباط 0.99116 بين القيم التجريبية والقيم المتوقعة، بينما كان معامل الارتباط بين تكلفة الوحدة المرصودة وتكلفة الوحدة المتوقعة 1. تم استخدام ANN المدربة لاحقًا كوظيفة اللياقة البدنية لـ GA المستخدمة في التحسين متعدد الأهداف لقوة الانضغاط وتكلفة وحدة إنتاج القالب الجاف. أظهرت واجهة باريتو القوة والتكلفة المثلى التي يمكن تحقيقها باستخدام معلمات إدخال العملية.Translated Description (French)
Dans ce travail de recherche, la modélisation et l'optimisation multi-objectifs des paramètres des sables secs de fonderie ont été réalisées à l'aide d'un réseau de neurones artificiels (RNA) et d'un algorithme génétique (AG). ANN a été utilisé pour prédire la résistance à la compression à sec et le coût de production unitaire du sable de fonderie sec. Les paramètres d'entrée de l'ANN étaient la température de cuisson, le pourcentage d'additif (cendres de coquille d'arachide et sol de fourmilière) et le temps de cuisson. L'ANN A prédit la résistance à la compression à sec avec un coefficient de corrélation de 0,99116 entre les valeurs expérimentales et les valeurs prédites, tandis que le coefficient de corrélation entre le coût unitaire observé et le coût unitaire prédit était de 1. L'ANN formé A ensuite été utilisé comme fonction de fitness pour un GA utilisé dans l'optimisation multi-objectifs de la résistance à la compression et du coût unitaire de production du moule sec. Le front de Pareto a montré la résistance optimale et le coût réalisable avec les paramètres d'entrée du processus.Translated Description (Spanish)
En este trabajo de investigación, el modelado y la optimización multiobjetivo de los parámetros de la arena de fundición seca se realizaron utilizando una red neuronal artificial (ANN) y un algoritmo genético (GA). ANN se utilizó para predecir la resistencia a la compresión en seco y el coste de producción unitario de la arena de fundición seca. Los parámetros de entrada de la ANN fueron la temperatura de horneado, el porcentaje de aditivo (ceniza de cáscara de cacahuete y suelo de hormiguero) y el tiempo de horneado. La ANN predijo la resistencia a la compresión en seco con un coeficiente de correlación de 0,99116 entre los valores experimentales y los valores previstos, mientras que el coeficiente de correlación entre el coste unitario observado y el coste unitario previsto fue de 1. La ANN entrenada se utilizó posteriormente como la función de aptitud para un GA utilizado en la optimización multiobjetivo de la resistencia a la compresión y el coste unitario de producción del molde seco. El frente de Pareto mostró la resistencia óptima y el coste alcanzable con los parámetros de entrada del proceso.Additional details
Additional titles
- Translated title (Arabic)
- تحسين مقاومة الانضغاط الجاف لجزيئات رماد قشرة الفول السوداني (GSAp) ورمل مسبك تلة النمل باستخدام ANN والخوارزمية الجينية
- Translated title (French)
- Optimisation de la résistance à la compression à sec des particules de cendres de coquille d'arachide (GSAp) et du sable de fonderie lié à une fourmilière à l'aide de l'ANN et d'un algorithme génétique
- Translated title (Spanish)
- Optimización de la resistencia a la compresión en seco de partículas de ceniza de cáscara de cacahuete (GSAp) y arena de fundición unida a hormigueros utilizando Ann y algoritmo genético
Identifiers
- Other
- https://openalex.org/W2981698832
- DOI
- 10.1080/23311916.2019.1681055
References
- https://openalex.org/W1178680599
- https://openalex.org/W2004288269
- https://openalex.org/W2006771680
- https://openalex.org/W2016716711
- https://openalex.org/W2050178883
- https://openalex.org/W2076670320
- https://openalex.org/W2219168689
- https://openalex.org/W2313528694
- https://openalex.org/W2335115982
- https://openalex.org/W2500070753
- https://openalex.org/W2510276550
- https://openalex.org/W2799568267
- https://openalex.org/W2944426727
- https://openalex.org/W2946842338