ای آر پایانامه

 

مقاله Predicting and Optimizing the physicalدرmechanical properties of epoxy/rubber/nano CaCO3 system using Taguchi approach, ANN and ANFIS methods word دارای 6 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله Predicting and Optimizing the physicalدرmechanical properties of epoxy/rubber/nano CaCO3 system using Taguchi approach, ANN and ANFIS methods word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله Predicting and Optimizing the physicalدرmechanical properties of epoxy/rubber/nano CaCO3 system using Taguchi approach, ANN and ANFIS methods word ،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن مقاله Predicting and Optimizing the physicalدرmechanical properties of epoxy/rubber/nano CaCO3 system using Taguchi approach, ANN and ANFIS methods word :

سال انتشار: 1390

محل انتشار: کنفرانس بین المللی فرآورش پلیمرها

تعداد صفحات: 6

نویسنده(ها):

Naeim Vali – Department of Polymer Engineering, Islamic Azad University, Tehran South Branch,1777613651, Tehran, Iran
M Ghatarband – Department of Polymer Engineering, Islamic Azad University, Tehran South Branch, 1777613651, Tehran, Iran.
H Fazilat – Department of Polymer Engineering, Islamic Azad University, Tehran South Branch, 1777613651, Tehran, Iran.
M.R Kalaee –

چکیده:

In this paper recycled tire rubber powder, epoxy resin, glass fiber mat and CaCO3 nano- powder are mixed and molded at different conditions. The mold temperature and other parameters are calculated and conducted at three different levels of A,B,C using taguchi method which yielded a L9(34) array. Thereafter, tensile strength, impact and failure tests were measured using ASTM standard test method. We predicted the physical-mechanical properties, modulus, impact and also the pressure strength of the samples using artificial neural network and ANFIS methods. Comparing the obtained results with experimental ones showed the least root mean square errors (RMSE) and the best regression (R2). Therefore, the predicted results obtained through our method are very well adopted with the experimental data

 

 

کلمات کلیدی :