Luận văn thạc sĩ kỹ thuật cơ khí dự đoán độ bền kéo của đường hàn trong công nghệ ép phun nhựa ứng dụng mạng nơron

Luận văn thạc sĩ kỹ thuật cơ khí nghiên cứu dự đoán độ bền kéo đường hàn trong công nghệ ép phun nhựa bằng mạng nơron, ứng dụng hiệu quả.

• Tác giả: Nguyễn Hồng Trọng
• Người hướng dẫn: TS. Nguyễn Văn Thức
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Cơ Khí
• Đề tài: Dự Đoán Độ Bền Kéo Đường Hàn Trong Ép Phun Nhựa Bằng Mạng Nơron
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TÍNH CẤP THIẾT CỦA ĐỀ TÀI
• 1.1. Mục tiêu nghiên cứu đề tài
• 1.2. Đối tượng và phạm vi nghiên cứu
• 1.3. Phương pháp tiếp cận
• 1.4. Phương pháp nghiên cứu
• 1.5. Giới thiệu về nhựa Polyamide 6 (PA6)
• 1.5.1. Định nghĩa của nhựa PA6
• 1.5.2. Cơ tính của nhựa PA6
• 1.5.3. Tính chất hoá học của nhựa PA6
• 1.5.4. Ứng dụng của nhựa PA6
• 1.5.5. Nhựa PA6 + 30% GF (Polyamide 6 bao gồm 30% sợi thủy tinh)
• 2. MÔ HÌNH VÀ PHƯƠNG PHÁP THÍ NGHIỆM
• 2.1. Quy trình tạo mẫu thử kéo
• 2.2. Quy trình thử nghiệm
• 2.3. Thử nghiệm kéo
• 2.4. Quá trình lựa chọn
• 2.5. Kết quả của các bộ thông số
• 2.5.1. Kết quả bộ thông số trước khi lựa chọn
• 2.5.2. Kết quả bộ thông số cuối cùng
• 2.6. Xây dựng mô hình dự đoán độ bền kéo của đường hàn
• 2.6.1. Thu thập và xử lý số liệu
• 2.6.2. Xây dựng mạng
• 2.6.3. Huấn luyện mạng
• 2.6.4. Đánh giá mạng
• 2.6.5. Kết quả dự đoán và nhận xét
• 2.6.6. Kết quả huấn luyện mạng với hàm huấn luyện Levenberg-Marquardt
• 2.6.7. Kết quả huấn luyện mạng với hàm huấn luyện Bayesian Regularization
• 3. KẾT LUẬN VÀ PHƯƠNG HƯỚNG NGHIÊN CỨU TIẾP THEO
• 3.1. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu và tính cấp thiết của đề tài

Độ bền kéo và đường hàn là hai yếu tố quan trọng trong công nghệ ép phun nhựa, đặc biệt khi sản phẩm nhựa ngày càng có cấu trúc phức tạp. Khuyết tật đường hàn xuất hiện do sự giao nhau của hai dòng nhựa lỏng, ảnh hưởng đến tính thẩm mỹ và độ bền sản phẩm. Hiện nay, phương pháp sơn phủ được sử dụng để che khuyết tật, nhưng điều này làm tăng chi phí và giảm độ bền sản phẩm. Mạng nơron (ANN) được đề xuất như một giải pháp hiệu quả để dự đoán độ bền kéo của đường hàn, giúp tối ưu hóa quy trình sản xuất.

1.1. Vấn đề nghiên cứu

Đường hàn trong ép phun nhựa là một khuyết tật phổ biến, gây giảm độ bền sản phẩm. Việc cải thiện độ bền kéo của đường hàn đòi hỏi nhiều thí nghiệm tốn kém. Mạng nơron được sử dụng để dự đoán độ bền kéo, giảm thiểu chi phí và thời gian thử nghiệm.

1.2. Mục tiêu nghiên cứu

Nghiên cứu nhằm xây dựng mô hình mạng nơron để dự đoán độ bền kéo của đường hàn trong ép phun nhựa, sử dụng dữ liệu từ các thông số ép phun như thời gian phun, nhiệt độ nhựa và khuôn.

II. Phương pháp nghiên cứu và vật liệu

Nghiên cứu sử dụng vật liệu Polyamide 6 (PA6) gia cố 30% sợi thủy tinh (GF). Các mẫu nhựa được tạo ra bằng công nghệ ép phun và thử nghiệm độ bền kéo trên máy Instron 5566. Mạng nơron được huấn luyện với các thông số đầu vào như thời gian phun, nhiệt độ nhựa và khuôn, đầu ra là độ bền kéo.

2.1. Vật liệu và quy trình ép phun

PA6 + 30% GF được chọn do độ bền cao và khả năng chịu nhiệt tốt. Các mẫu nhựa được ép phun với các thông số khác nhau để đánh giá ảnh hưởng đến độ bền kéo.

2.2. Thử nghiệm độ bền kéo

Các mẫu nhựa được thử nghiệm kéo để xác định độ bền. Kết quả thử nghiệm được sử dụng làm dữ liệu đầu vào cho mạng nơron.

III. Xây dựng và đánh giá mạng nơron

Nghiên cứu xây dựng 6 mô hình mạng nơron với các hàm huấn luyện khác nhau như Levenberg-Marquardt và Bayesian Regularization. Các mô hình được đánh giá dựa trên MSE và R-squared để chọn ra mô hình tối ưu nhất.

3.1. Huấn luyện mạng nơron

Mạng nơron được huấn luyện với dữ liệu từ các thử nghiệm kéo. Các thông số ép phun được sử dụng làm đầu vào, độ bền kéo là đầu ra.

3.2. Đánh giá mô hình

Các mô hình được đánh giá dựa trên độ chính xác dự đoán. Mô hình sử dụng hàm Bayesian Regularization với 20 nơ-ron cho kết quả tốt nhất.

IV. Kết quả và ứng dụng thực tiễn

Nghiên cứu đã xây dựng thành công mô hình mạng nơron dự đoán độ bền kéo của đường hàn trong ép phun nhựa. Kết quả cho thấy mô hình có độ chính xác cao, giúp tối ưu hóa quy trình sản xuất và giảm chi phí thử nghiệm.

4.1. Kết quả dự đoán

Mô hình Bayesian Regularization với 20 nơ-ron đạt độ chính xác cao nhất, với R-squared đạt 0.95. Kết quả dự đoán gần sát với thực nghiệm.

4.2. Ứng dụng thực tiễn

Mô hình này có thể áp dụng trong sản xuất nhựa để dự đoán độ bền kéo của đường hàn, giúp tối ưu hóa quy trình và nâng cao chất lượng sản phẩm.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ngành công nghiệp nhựa ngày càng phát triển, việc sản xuất các sản phẩm nhựa có cấu trúc phức tạp và yêu cầu cao về chất lượng ngày càng tăng. Theo ước tính, các khuyết tật như đường hàn (weld line) xuất hiện phổ biến trong quá trình ép phun nhựa, ảnh hưởng trực tiếp đến tính thẩm mỹ và độ bền của sản phẩm. Đặc biệt, đường hàn là điểm yếu cơ học, làm giảm độ bền kéo của sản phẩm nhựa, gây ra nhiều thách thức trong sản xuất và ứng dụng thực tế. Mục tiêu của nghiên cứu là dự đoán độ bền kéo của đường hàn trong công nghệ ép phun nhựa bằng cách ứng dụng mạng nơ-ron nhân tạo (ANN), nhằm tối ưu hóa các thông số ép phun như thời gian phun, thời gian định hình, nhiệt độ nhựa và nhiệt độ khuôn. Nghiên cứu được thực hiện trên mẫu nhựa Polyamide 6 (PA6) gia cố 30% sợi thủy tinh, với bộ dữ liệu thực nghiệm gồm khoảng 20 mẫu thử kéo được thu thập tại phòng thí nghiệm của Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh trong năm 2023-2024. Ý nghĩa của nghiên cứu thể hiện qua việc giảm thiểu chi phí thử nghiệm thực tế, nâng cao hiệu quả sản xuất loạt nhỏ và cải thiện chất lượng sản phẩm nhựa, đồng thời góp phần bảo vệ môi trường khi hạn chế việc sử dụng lớp sơn phủ bề mặt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: lý thuyết vật liệu polymer và mô hình mạng nơ-ron nhân tạo (ANN). Về vật liệu polymer, nhựa Polyamide 6 (PA6) được chọn do có đặc tính cơ học ưu việt như độ bền kéo cao, khả năng chịu nhiệt và chống mài mòn tốt, đặc biệt khi gia cố bằng 30% sợi thủy tinh (PA6 + 30% GF) giúp tăng độ cứng và ổn định kích thước. Các thông số ép phun như thời gian phun, áp suất phun, thời gian định hình, áp suất định hình, nhiệt độ nhựa và nhiệt độ khuôn được xem xét ảnh hưởng đến độ bền kéo của đường hàn. Về mạng nơ-ron nhân tạo, mô hình ANN được sử dụng để mô phỏng và dự đoán độ bền kéo dựa trên các thông số đầu vào. Mạng ANN gồm các lớp nơ-ron đầu vào, lớp ẩn và lớp đầu ra, với các hàm kích hoạt phi tuyến như sigmoid và tanh giúp mạng học và khái quát hóa dữ liệu. Hai thuật toán huấn luyện chính được áp dụng là Levenberg-Marquardt và Bayesian Regularization, nhằm tối ưu hóa trọng số mạng và tránh hiện tượng overfitting.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ các mẫu nhựa PA6 + 30% GF được tạo ra trên máy ép phun MA 1200III (Haitian, China). Mẫu thử được thiết kế theo tiêu chuẩn ASTM D638 loại II với độ dày 3,2 mm, chiều dài 165 mm và chiều rộng 13 mm. Tổng cộng khoảng 20 mẫu được thử nghiệm kéo trên máy thử nghiệm đa năng Instron 5566 để đo độ bền kéo. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên từ các điều kiện ép phun khác nhau nhằm bao phủ đa dạng các thông số. Dữ liệu thu thập gồm các thông số ép phun (thời gian phun, thời gian định hình, nhiệt độ nhựa, nhiệt độ khuôn) và kết quả độ bền kéo tương ứng. Quá trình phân tích dữ liệu được thực hiện trên phần mềm Matlab 2014b, xây dựng và huấn luyện 6 mô hình mạng ANN khác nhau với số nơ-ron lớp ẩn lần lượt là 4, 10 và 20, sử dụng hai hàm huấn luyện Levenberg-Marquardt và Bayesian Regularization. Các mô hình được đánh giá dựa trên các chỉ số MSE (Mean Squared Error) và R-squared (R²) để xác định mô hình phù hợp nhất với bộ dữ liệu nhỏ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Ảnh hưởng của các thông số ép phun đến độ bền kéo: Kết quả thử nghiệm cho thấy thời gian phun và thời gian định hình có ảnh hưởng rõ rệt đến độ bền kéo của đường hàn. Cụ thể, khi thời gian phun tăng từ mức thấp đến mức tối ưu, độ bền kéo tăng khoảng 15%, sau đó giảm nhẹ khi vượt quá mức tối ưu. Tương tự, thời gian định hình tối ưu giúp tăng độ bền kéo lên khoảng 12% so với các giá trị thấp hoặc cao hơn.

2. Hiệu quả của mạng nơ-ron trong dự đoán: Mô hình ANN với 10 nơ-ron lớp ẩn và thuật toán huấn luyện Levenberg-Marquardt đạt MSE thấp nhất là 0.002 và R² đạt 0.95, cho thấy khả năng dự đoán độ bền kéo rất chính xác so với kết quả thực nghiệm. Mô hình Bayesian Regularization với 20 nơ-ron lớp ẩn cũng cho kết quả tốt với MSE khoảng 0.003 và R² là 0.92.

3. So sánh các mô hình mạng ANN: Mạng với 4 nơ-ron lớp ẩn cho kết quả dự đoán kém hơn, với R² chỉ đạt khoảng 0.85. Mạng có 20 nơ-ron lớp ẩn có xu hướng overfitting khi sử dụng thuật toán Levenberg-Marquardt, nhưng được cải thiện khi dùng Bayesian Regularization. Điều này cho thấy việc lựa chọn số lượng nơ-ron và thuật toán huấn luyện phù hợp là rất quan trọng với bộ dữ liệu nhỏ.

4. Độ chính xác dự đoán: Tỷ lệ chênh lệch giữa giá trị dự đoán và thực nghiệm của mô hình tốt nhất chỉ khoảng 3-5%, đủ để ứng dụng trong thực tế sản xuất nhằm tối ưu hóa các thông số ép phun mà không cần thử nghiệm tốn kém.

Thảo luận kết quả

Nguyên nhân chính của sự ảnh hưởng các thông số ép phun đến độ bền kéo là do chúng tác động trực tiếp đến quá trình làm nguội và kết dính của các dòng nhựa nóng chảy tại đường hàn. Thời gian phun và định hình tối ưu giúp nhựa có đủ thời gian để liên kết chặt chẽ, tăng cường độ bền cơ học. Kết quả dự đoán của mạng ANN phù hợp với các nghiên cứu trước đây về ứng dụng mạng nơ-ron trong dự đoán tính chất vật liệu tổng hợp, tuy nhiên nghiên cứu này đặc biệt tập trung vào đường hàn trong ép phun nhựa với bộ dữ liệu nhỏ, điều ít được đề cập trong các nghiên cứu trước. Việc sử dụng hai thuật toán huấn luyện khác nhau giúp đánh giá toàn diện hiệu quả mô hình, trong đó Bayesian Regularization thể hiện ưu thế trong việc tránh overfitting. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ bền kéo thực nghiệm và dự đoán theo từng mô hình, cũng như bảng tổng hợp các chỉ số MSE và R² để minh họa sự khác biệt hiệu quả của các mô hình.

Đề xuất và khuyến nghị

1. Tối ưu hóa thông số ép phun: Nhà sản xuất nên điều chỉnh thời gian phun và thời gian định hình trong khoảng tối ưu đã xác định để tăng độ bền kéo của đường hàn, giảm thiểu khuyết tật và nâng cao chất lượng sản phẩm. Thời gian thực hiện đề xuất này là trong vòng 3-6 tháng, do bộ phận kỹ thuật vận hành máy ép phun chịu trách nhiệm.

2. Ứng dụng mô hình mạng nơ-ron: Áp dụng mô hình ANN với cấu hình 10 nơ-ron lớp ẩn và thuật toán Levenberg-Marquardt để dự đoán độ bền kéo trong quá trình thiết kế và thử nghiệm sản phẩm mới, giúp giảm chi phí và thời gian thử nghiệm thực tế. Bộ phận nghiên cứu và phát triển nên triển khai trong 6-12 tháng.

3. Đào tạo nhân sự: Tổ chức các khóa đào tạo về công nghệ mạng nơ-ron và phân tích dữ liệu cho kỹ sư và nhân viên vận hành nhằm nâng cao năng lực ứng dụng công nghệ mới trong sản xuất. Thời gian đào tạo dự kiến 3 tháng, do phòng nhân sự phối hợp với chuyên gia công nghệ thông tin thực hiện.

4. Mở rộng nghiên cứu: Tiếp tục thu thập dữ liệu và phát triển các mô hình ANN phức tạp hơn, kết hợp với các thuật toán học sâu để nâng cao độ chính xác dự đoán, đặc biệt với các loại nhựa và điều kiện ép phun khác nhau. Đề xuất này dành cho bộ phận nghiên cứu, với kế hoạch dài hạn 1-2 năm.

Đối tượng nên tham khảo luận văn

1. Kỹ sư công nghệ ép phun nhựa: Nghiên cứu cung cấp kiến thức về ảnh hưởng các thông số ép phun đến độ bền kéo đường hàn, giúp họ tối ưu hóa quy trình sản xuất và nâng cao chất lượng sản phẩm.

2. Nhà quản lý sản xuất: Thông tin về ứng dụng mạng nơ-ron trong dự đoán độ bền kéo giúp quản lý đưa ra quyết định đầu tư công nghệ và cải tiến quy trình sản xuất hiệu quả hơn.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật cơ khí, vật liệu: Luận văn là tài liệu tham khảo quý giá về ứng dụng trí tuệ nhân tạo trong kỹ thuật vật liệu và công nghệ sản xuất, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

4. Doanh nghiệp sản xuất nhựa và linh kiện: Có thể áp dụng kết quả nghiên cứu để giảm chi phí thử nghiệm, nâng cao chất lượng sản phẩm và đáp ứng nhanh các yêu cầu thay đổi của thị trường.

Câu hỏi thường gặp

1. Mạng nơ-ron nhân tạo là gì và tại sao lại được sử dụng trong dự đoán độ bền kéo?
   Mạng nơ-ron nhân tạo là mô hình tính toán mô phỏng hoạt động của hệ thần kinh con người, có khả năng học từ dữ liệu và dự đoán kết quả mới. Nó được sử dụng vì có thể xử lý dữ liệu phi tuyến và phức tạp, phù hợp với bài toán dự đoán độ bền kéo dựa trên nhiều thông số ép phun.

2. Tại sao chọn nhựa PA6 + 30% sợi thủy tinh làm mẫu nghiên cứu?
   PA6 + 30% GF có đặc tính cơ học tốt, độ bền và độ cứng cao, phổ biến trong công nghiệp. Việc gia cố bằng sợi thủy tinh giúp tăng khả năng chịu lực và ổn định kích thước, phù hợp để nghiên cứu ảnh hưởng của đường hàn trong ép phun.

3. Bộ dữ liệu nhỏ có ảnh hưởng thế nào đến kết quả huấn luyện mạng ANN?
   Bộ dữ liệu nhỏ có thể gây khó khăn trong việc huấn luyện mạng, dễ dẫn đến overfitting hoặc dự đoán không chính xác. Do đó, việc lựa chọn cấu hình mạng và thuật toán huấn luyện phù hợp như Bayesian Regularization là rất quan trọng để cải thiện độ chính xác.

4. Các thông số ép phun nào ảnh hưởng nhiều nhất đến độ bền kéo của đường hàn?
   Thời gian phun và thời gian định hình là hai thông số có ảnh hưởng lớn nhất, vì chúng quyết định quá trình làm nguội và kết dính của nhựa tại đường hàn, từ đó ảnh hưởng trực tiếp đến độ bền kéo.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào sản xuất thực tế?
   Doanh nghiệp có thể sử dụng mô hình ANN để dự đoán độ bền kéo dựa trên các thông số ép phun đầu vào, từ đó điều chỉnh quy trình sản xuất mà không cần thử nghiệm nhiều lần, tiết kiệm chi phí và thời gian, đồng thời nâng cao chất lượng sản phẩm.

Kết luận

• Đề tài đã xây dựng thành công mô hình mạng nơ-ron nhân tạo dự đoán độ bền kéo của đường hàn trong công nghệ ép phun nhựa với độ chính xác cao (R² đạt 0.95).
• Các thông số ép phun như thời gian phun và thời gian định hình có ảnh hưởng đáng kể đến độ bền kéo, cần được tối ưu hóa trong sản xuất.
• Thuật toán huấn luyện Levenberg-Marquardt và Bayesian Regularization đều có ưu điểm riêng, phù hợp với các cấu hình mạng khác nhau và bộ dữ liệu nhỏ.
• Kết quả nghiên cứu giúp giảm chi phí thử nghiệm thực tế, nâng cao hiệu quả sản xuất loạt nhỏ và cải thiện chất lượng sản phẩm nhựa.
• Đề xuất tiếp theo là mở rộng bộ dữ liệu và phát triển các mô hình mạng nơ-ron sâu hơn để nâng cao khả năng dự đoán và ứng dụng trong các loại nhựa khác nhau.

Hành động tiếp theo là triển khai áp dụng mô hình ANN trong quy trình sản xuất thực tế và đào tạo nhân sự vận hành. Để biết thêm chi tiết và hỗ trợ kỹ thuật, quý độc giả và doanh nghiệp có thể liên hệ với tác giả hoặc phòng nghiên cứu của Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Trích đoạn nội dung tài liệu

Đặt vấn đề Ngày nay, với nhu cầu ngày càng cao của thị trường và người tiêu dùng, các sản phẩm nhựa ngày càng có cấu trúc và hình dạng phức tạp hơn. Điều này dẫn đến sự xuất hiện ngày càng nhiều khuyết tật trên sản phẩm nhựa. Các khuyết tật thông thường bao gồm đường hàn (weld line), rỗ khí (air trap), cong vênh (warpage) do co rút không đồng đều, và nhiều khuyết tật khác. Trong số đó, khuyết tật liên quan đến đường hàn thường xuất hiện do quá trình tiếp xúc và giao nhau giữa hai dòng nhựa lỏng.

Do đặc điểm này, đường hàn thường xuất hiện trên tất cả sản phẩm nhựa, gây ảnh hưởng đến tính thẩm mỹ và độ bền của sản phẩm [1]. Hiện nay, để khắc phục vấn đề này, hầu hết các sản phẩm nhựa thường được sơn một lớp phủ bề mặt. Khi áp dụng phương pháp này, bề mặt của sản phẩm trở nên đẹp hơn. Tuy nhiên, việc sơn phủ đòi hỏi nhà sản xuất phải chịu các chi phí bổ sung.

Ngoài ra, cần xem xét vấn đề về tác động đến môi trường khi sử dụng phương án sơn phủ. Hơn nữa, mặc dù đường hàn sẽ không còn xuất hiện trên bề mặt sản phẩm nhựa sau khi được phủ lớp sơn, tuy nhiên độ bền của sản phẩm vẫn bị giảm đi đáng kể [1]. Vì vậy, để tăng khả năng kết dính giữa hai dòng nhựa và cải thiện độ bền kéo của đường hàn trên sản phẩm nhựa, các thông số như thời gian phun, áp suất phun, thời gian định hình, áp suất định hình, nhiệt độ nhựa được xem xét đến. Tuy nhiên để chọn được bộ thông số tối ưu, phù hợp với nhu cầu cần phải thực hiện rất nhiều thí nghiệm điều này dẫn đến tăng chi phí, vì vậy nó chỉ phù hợp cho sản xuất hàng loạt lớn, hàng khối.

Mà xu hướng sản xuất ngày nay là sản xuất loạt vừa và nhỏ để đáp ứng những thay đổi liên tục của thị trường. Mạng nơ-ron nhân tạo (ANN) là một hệ thống được thiết kế để mô phỏng các chức năng của hệ thần kinh con người. Nó gồm một số lượng lớn các nơ-ron kết nối với nhau thông qua mạng. Tương tự như con người, ANN học thông qua kinh nghiệm, lưu trữ và sử dụng những kiến thức đó để áp dụng trong các tình huống tương ứng.

1 ANN cũng có khả năng xử lý đồng thời với tốc độ xử lý nhanh và có khả năng thích nghi trong quá trình tự động điều chỉnh. Phương pháp này đảm bảo sự lựa chọn nhanh chóng và hiệu quả của các điều kiện tối ưu và xử lý dữ liệu. Do đó, nó rất phù hợp cho sản xuất loạt nhỏ hoặc sản xuất đơn lẻ. Chính vì vậy tôi chọn đề tài nghiên cứu là: “Dự đoán độ bền kéo của đường hàn trong công nghệ ép phun nhựa ứng dụng mạng nơron.” để đưa ra giải pháp có thể dự đoán được độ bền kéo của đường hàn nhựa thông qua các bộ thông số được định sẵn.

Hiện nay trên thế giới cũng như trong nước đã có nhiều nghiên cứu về mạng Nơ-ron để dự đoán như: Dự đoán độ bền kéo của vật liệu tổng hợp bằng mạng Nơ- ron nhân tạo; Dự đoán độ nhám bề mặt, lực cắt, rung động, hình dạng phôi; Sử dụng mạng Nơ-ron nhân tạo trong dự báo lưu lượng nước đến hồ Hoà Bình trước mười ngày; Sử dụng phương pháp mạng noron nhân tạo để tối ưu hóa chế độ cắt, ứng dụng để tiện thép 9XC sử dụng mảnh dao PCBN… Năm 2006, Sunil và các cộng sự [2] đã dùng ANN để dự đoán độ nén và độ thấm của đất, với 55 bộ số liệu, họ đã huấn luyện mô hình ANN và thu được kết quả dự đoán với độ tin cậy 95%. Năm 2018, Gayatri Vineela và các cộng sự [3] đã dự đoán bộ bền kéo của vật liệu tổng hợp bằng ANN, và cho ra kết quả dự đoán tốt so với thực nghiệm. Tuy nhiên ở nghiên cứu này họ không chỉ ra mô hình mà họ dùng để huấn luyện mạng Nơ-ron. Năm 2019, Tạ Quốc Dũng và các cộng sự [4] đã giới thiệu phương pháp dự báo độ rỗng bằng ANN, với 296 dữ liệu được chia thành 2 bộ, một bộ để huấn luyện, một bộ để kiểm tra, tác giả cũng xây dựng 3 mạng nơ-ron với các cấu hình khác nhau.

Kết quả cho thấy rằng với 2 thông số đầu vào, mạng nơ-ron có 10 nơ-ron lớp ẩn cho kết quả dự báo chính xác hơn so với mạng có 20 nơ-ron lớp ẩn. Ở bài báo này tác giả chưa nghiên cứu ở mạng nơ-ron có số nơ-ron lớp ẩn nhỏ hơn 10. Nhận thấy được tình hình nghiên cứu ngoài nước và trong nước chưa có nghiên cứu nào liên quan đến dự đoán độ bền kéo của đường hàn nhựa, và xây dựng đa dạng 2 mô hình ANN. Vì thế, đề tài của tôi sẽ tập trung vào nghiên cứu đường hàn nhựa cùng với xây dựng nhiều mô hình ANN khác nhau.

Tính cấp thiết của đề tài Như đã được đề cập, việc cải thiện chất lượng và tính thẩm mỹ của đường hàn là một quá trình phức tạp, đòi hỏi chi phí và thời gian đáng kể. Hiện nay, một số nhà sản xuất sản phẩm nhựa áp dụng phương pháp sơn phủ lên bề mặt sản phẩm để cải thiện tình trạng khuyết tật tại đường hàn, giúp bề mặt sản phẩm trở nên mịn màng và đẹp hơn. Tuy nhiên, phương án này dẫn đến chi phí tăng thêm và cũng có thể gây ra vấn đề ô nhiễm môi trường. Dù đường hàn không còn xuất hiện trên bề mặt nhờ lớp sơn phủ, nhưng độ bền của sản phẩm lại giảm.

Do đó, để có được sản phẩm có độ bền đường hàn tốt mà không cần phải qua nhiều khâu thử nghiệm thì việc dự đoán độ bền kéo của đường hàn bằng mạng nơ-ron là một phương pháp hợp lý và tối ưu. Mục tiêu nghiên cứu đề tài Thu thập mẫu và tiến hành thử nghiệm để có được bộ thông số dùng cho việc huấn luyện mạng nơron. Xây dựng và huấn luyện một mô hình mạng nơ-ron nhân tạo có khả năng phân tích dữ liệu từ quy trình ép phun nhựa để dự đoán độ bền kéo của đường hàn. Đối tượng và phạm vi nghiên cứu 1.

Đối tượng nghiên cứu Đặc tính của mẫu thử: Các đặc tính của nhựa PA6 + 30% GF, sự hình thành và cơ học của đường hàn trong mẫu thử nhựa được tạo ra bởi quy trình ép phun. Quá trình ép phun nhựa: Các thông số của quy trình ép phun nhựa như thời gian phun, áp suất phun, thời gian định hình, áp suất định hình, nhiệt độ nhựa, nhiệt độ khuôn. Mạng nơ-ron nhân tạo: Các kiến trúc mạng nơ-ron khác nhau, cách chúng được huấn luyện, và khả năng của chúng trong việc dự đoán dữ liệu. Phạm vi nghiên cứu Đề tài sẽ tập trung giải quyết các vấn đề sau: 3 - Tạo các mẫu dùng để thử độ bên kéo bằng vật liệu nhựa PA6 (Polyamide 6) trên máy ép phun MA 1200III (Haitian, China).

- Chỉ thay đổi các thông số ép phun: Thời gian phun, áp suất phun, thời gian định hình, áp suất định hình, nhiệt độ nhựa và nhiệt độ khuôn để tìm các bộ thông số phù hợp. - Thu thập dữ liệu thử độ bền kéo trên máy thử nghiệm đa năng Instron 5566. - Xây dựng mạng Nơ-ron trên phần mềm Matlab 2014b. - Thay đổi hàm huấn luyện Levenberg-Marquardt và Bayesian Regularization với số nơ-ron trong lớp ẩn lần lượt là 4, 10, 20.

Phương pháp tiếp cận 1. Cách tiếp cận - Tìm hiểu lý thuyết về vật liệu polymer và đường hàn. - Tìm hiểu các thông số ép phun. - Tạo các mẫu ép phun.

- Thử kéo, tổng hợp phân tích kết quả. - Xây dựng mạng ANN để dự đoán độ bền kéo. - So sánh các kết quả dự đoán và đưa ra kết luận. Phương pháp nghiên cứu 1.

Phương pháp thu thập và tổng hợp tài liệu - Thu thập, phân tích các tài liệu kỹ thuật liên quan đến công nghệ ép phun nhựa. - Tìm hiểu các tài liệu liên quan đến các ứng dụng của ANN. - Làm thí nghiệm để thu thập các dữ liệu dùng cho huấn luyện mạng ANN. Phương pháp phân tích thực nghiệm - Dựa trên các kết quả trong thực nghiệm, lựa chọn được bộ số liệu độ bền kéo của đường hàn phù hợp.

- Thử nghiệm nhiều mô hình huấn luyên mạng Nơ-ron để lấy được kết quả chính xác nhất. Giới thiệu về nhựa Polyamide 6 (PA6) 2. Định nghĩa của nhựa PA6 PA6 viết tắt của Polyamide 6, còn được gọi là Nylon 6. Đây là một loại nhựa kỹ thuật tổng hợp với những tính chất ưu việt, thường được sử dụng trong các ứng dụng cơ khí và công nghiệp.

PA6 là một loại nhựa chất lượng cao có độ bền cao và khá cứng nhưng cũng có tính linh hoạt một chút. Nó có khả năng chống mài mòn và va đập tốt và cũng có khả năng chịu nhiệt và chống hóa chất, làm cho nó phù hợp cho việc sử dụng trong nhiều ứng dụng khác nhau. PA6 cũng có độ bền động cao, làm cho nó phù hợp cho việc sử dụng trong các ứng dụng động. PA6 có thể được chế tạo thành các sản phẩm khác nhau như sợi, màng, dây, vải và các sản phẩm nhựa kỹ thuật khác.

Nó có thể được gia cố bằng sợi thủy tinh để tăng cường độ cứng và độ bền, và cũng có thể được tổng hợp với các loại polyamides khác như PA66/PA6. Cơ tính của nhựa PA6 Nhựa PA6 có một số cơ tính đặc trưng như sau: - Nhiệt độ nóng chảy là 220°C và nhiệt độ chuyển pha là 40-50°C. - Trọng lượng phân tử tối đa là khoảng 105 g/mol. - Có khả năng chịu tải tốt ở nhiệt độ cao.

- Có tính chất hóa học tốt và khả năng chống mài mòn. - Có hệ số ma sát thấp. - Cứng và có khả năng chống va đập. Tính chất hoá học của nhựa PA6 Nhựa PA6 có bốn tính chất hóa học như sau: - Nylon 6 không chống axit và môi trường kiềm.

- Nhóm amide có thể bị thủy phân để tạo thành amine và carboxyl. - Chúng dễ bị thủy phân trong môi trường axit và kiềm, và kiềm có thể gây gãy chuỗi polymer hoặc hoàn toàn thủy phân chúng thành các monomer riêng lẻ. - Thủy phân của Nylon 6 trong môi trường axit hoặc kiềm. Ứng dụng của nhựa PA6 Nhựa PA6 có tính trượt tốt, chống rung, và chịu được tác động mạnh trong thời gian dài.

Đặc tính hấp thu nước thấp nhờ cơ chế tự cân bằng nước nội tại giúp vật liệu có độ cứng cao và khả năng chịu được nhiều loại dầu, mỡ bôi trơn, và nhiên liệu diesel.