محمد رضا سلیمانی یزدی - دانشیار، دانشکده مهندسی مکانیک، دانشگاه امام حسین و مدرس دانشگاه صنایع و معادن ایران
علی کاظمی - دانشجوی کارشناسی ارشد مهندسی مکانیک، دانشکده مهندسی و فناوری های نوین صنایع و معادن ایران
محمد سیاه منصوری - دانشجوی کارشناسی ارشد مهندسی مکانیک، دانشکده مهندسی و فناوری های نوین صنایع و معادن ایران
امیرحسین رجایی - دانشجوی کارشناسی ارشد مهندسی مکانیک، دانشکده مهندسی و فناوری های نوین صنایع و معادن ایران

کنترل و پیش بینی دقیق سطح ماشینکاری شده برای افزایش کارایی و رسیدن به قطعاتی با قابلیت اطمینان و طول عمر بالا، در قطعات نیروگاهی حیاتی است. در این مقاله به بررسی تاثیر پارامترهای مختلف برشی از جمله سرعت برشی، پیشروی و عمق برشی با کمک شبکه عصبی بر کیفیت سطح و مکانیزم تراش اینکونل738پرداخته شده است. با استفاده از اینسرت های پوشش دار کاربایدی، استوانه ای از جنس اینکونل 738تراشکاری شده و مقادیر صافی سطح و نیروی ماشینکاری به عنوان خروجی های آزمایش در نظر گرفته شد. پس از انجام آزمایشات، با استفاده ازابزارهای هوش مصنوعی، تاثیر متغیرهای ورودی بر پارامتر خروجی بررسی شد. در این بررسی نتایج به دست آمده، به عنوان ورودی برای مدل شبکه عصبی در نظر گرفته شد و شبکه آموزش داده شد. به منظور صحه سنجی مدل شبکه عصبی، تعداد 2 آزمایش با پارامترهای ورودی متفاوت،مورد ارزیابی قرار گرفت که نتیجه حاکی از دقت بالای مدل شبکه عصبی ارائه شده بود. با استفاده از نتایج پیش بینی مدل شبکه عصبی مشخص شدتاثیر عمق برش کمتر از پیشروی و سرعت برشی می باشد. همچنین با حذف دو به دوی پارامترها مشخص شد تاثیر عمق برش و پیشروی کمتر ازسرعت برشی و پیشروی می باشد

تراشکاری، سرعت پیشروی، سرعت برشی، صافی سطح، شبکه عصبی