Resumen

Las aleaciones Al-Mg y CuZn34 se unieron mediante soldadura por fricción, mientras que la lámina de aleación de aluminio se colocó sobre el CuZn34. Además, se caracterizaron las propiedades mecánicas de cada muestra mediante ensayos de cizallamiento. Se utilizó la microscopía electrónica de barrido (SEM) y el análisis de difracción de rayos X para sondear las composiciones químicas. Se desarrolló un modelo de red neuronal artificial para simular la correlación entre los parámetros de la soldadura por fricción (FSLW) y las propiedades mecánicas. Posteriormente, se realizó un análisis de sensibilidad para investigar el efecto de cada parámetro de entrada en la salida en términos de magnitud y dirección. Se compararon cuatro métodos, a saber, el método "PaD", el método "Weights", el método "Profile" y el método "backward stepwise", que pueden dar la contribución relativa y/o el perfil de contribución de los factores de entrada. El método PaD, que ofrece los resultados más completos, resultó ser el más útil, seguido del método Profile, que ofrece el perfil de contribución de las variables de entrada.

• Materias:Corrosión del acero Aceites y grasas Polimeros Acero Acero inoxidable Descarga eléctrica microfluidos
• Subjects:Corrosion of steel Oils and fats Polymers Steel Stainless steel Electric shock microfluids
• Palabras claves:métodos, propiedad mecánica, perfil de contribuciones, modelo de red neuronal, soldadura por fricción, soldadura por fricción, términos de magnitud, análisis de difracción de rayos, microscopía electrónica de barrido, chapa de aleación de aluminio
• Keywords:methods, mechanical property, contributions profile, neural network model, friction stir lap, stir lap welding, terms of magnitude, ray diffraction analysis, scanning electron microscopy, aluminum alloy sheet