پیش بینی زبری سطح در فرزکاری آلیاژهای آلومینیوم با استفاده از شبکه فازی عصبی همراه با روش های یادگیری فرا ابتکاری
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 56
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IRANJME-10-11_005
تاریخ نمایه سازی: 13 خرداد 1403
Abstract:
با توجه به اهمیت زبری سطح در قطعات ماشینکاری شده، باید با انتخاب پارامترهای صحیح برشی و غیر برشی، پیش بینی و بهینه سازی آن را تحقق بخشید. یکی از روش های استفاده شده در این حوزه پیش بینی زبری سطح با روش های سنتی بوده است و از روش های فراابتکاری کمتر استفاده شده است. در نتیجه در این تحقیق، با استفاده از الگوریتم های هوش مصنوعی و به صورت خاص تر با استفاده از الگوریتم شبکه عصبی فازی و همچنین الگوریتم ترکیبی شبکه عصبی فازی مبتنی بر ژنتیک، بر روی داده های بدست آمده مدلی ایجاد می گردد که بتواند پیش بینی یک خروجی خاص (به طور مثال زبری سطح) را انجام دهد. در مجموع از داده های ۱۶۲ آزمایش برای سه آلیاژ آلومینیوم ۷۰۷۵، ۶۰۶۱ و ۲۰۲۴ استفاده شد که شامل سرعت برشی، عمق برش، نوع پوشش ابزار، نرخ پیشروی ابزار و خروجی زبری سطح می باشد. ورودی پنجمی نیز که مبین خواص مکانیکی مواد از جمله استحکام کششی، مقاومت برشی و سختی میباشد استفاده گردید و مدل سازی به صورت یکپارچه برای هر سه آلیاژ انجام گردید. در این پژوهش داده های دو نوع از سه نوع آلیاژ موجود به عنوان داده آموزش و سومی برای داده تست استفاده شد. شبیه سازی انجام شده روی داده ها با استفاده از معیارهای رگرسیون (R) و مجذور میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. دقیقترین نتیجه از بین دو روش ANFIS (سیستم استنتاجی فازی-عصبی تطبیقی) و ANFIS-GA (مدل ترکیبی سیستم استنتاجی فازی-عصبی تطبیقی همراه با الگوریتم ژنتیک) با رگرسیون ۸۳۸/۰ برای زبری سطح برای دادههای تست بدست آمد.
Authors
امین سیاهوشی
دانشکده مهندسی مکانیک دانشجوی کارشناسی ارشد، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران
محمد شهبازی
استادیار، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران
سید علی نیک نام
استادیار، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :