-
شماره ركورد
28473
-
پديد آورنده
امين سياهوشي
-
عنوان
پيشبيني زبري سطح و نيروهاي برشي در ماشينكاري آلياژهاي آلومينيوم با استفاده از شبكه فازي عصبي همراه با روشهاي يادگيري فراابتكاري
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مكانيك-ساخت و توليد
-
سال تحصيل
1399
-
تاريخ دفاع
1401/12/20
-
استاد راهنما
دكتر سيد علي نيكنام
-
استاد مشاور
دكتر محمد شهبازي
-
دانشكده
مكانيك
-
چكيده
با توجه به اهميت زبري سطح و نيروهاي برشي در قطعات ماشينكاري شده، نياز است عواملي كه نقش مهمي در تعيين و بهبود آن داشته مشخص شود كه بتوان در پيش¬بيني و بهينه¬سازي آن¬ها با انتخاب پارامترهاي صحيح درست عمل كرد. يكي از روش¬هاي استفاده شده در اين حوزه پيش¬بيني زبري سطح با روش¬هاي سنتي بوده است و از روش¬هاي فراابتكاري كمتر استفاده شده است. در نتيجه در اين تحقيق، با استفاده از الگوريتم¬هاي هوش مصنوعي و به صورت خاص¬تر با استفاده از الگوريتم شبكه عصبي فازي و همچنين الگوريتم تركيبي شبكه عصبي فازي مبتني بر ژنتيك ، بر روي داده¬هاي بدست آمده مدلي ايجاد مي¬گردد كه بتواند پيش¬بيني يك خروجي خاص (به طور مثال زبري سطح) را انجام دهد. در مجموع از داده¬هاي 162 آزمايش براي سه آلياژ آلومينيوم 7075، 6061 و 2024 استفاده شد كه شامل سرعت برشي، عمق برش، نوع پوشش ابزار، نرخ پيشروي ابزار و خروجي زبري سطح و نيروي برشي در جهات X,Y,Z مي¬باشد. ورودي پنجمي نيز كه مبين خواص مكانيكي مواد از جمله استحكام كششي، مقاومت برشي و سختي مي¬باشد استفاده گرديد و مدل¬سازي به صورت يكپارچه براي هر سه آلياژ انجام گرديد. در اين پژوهش از دو استراتژي جهت انتخاب داده¬هاي تست استفاده شد كه يكي با انتخاب تصادفي هفتاد درصد داده¬ها به عنوان داده آموزش و سي درصد براي تست و يك استراتژي ديگر اينكه داده¬هاي دونوع از سه نوع آلياژ موجود به عنوان داده آموزش و سومي براي داده تست استفاده شد. شبيه¬سازي انجام شده روي داده¬ها با استفاده از معيارهاي رگرسيون(R) و مجذور ميانگين مربعات خطا(RMSE) مورد ارزيابي قرار گرفت. با استفاده از استراتژي اول ،دقيق¬ترين نتيجه از هر دو روش ANFIS و ANFIS-GA با رگرسيون 0.851 براي زبري سطح، نيرو در جهت X، 0.993، نيرو در جهت Y، 0.966 ونيرو در جهت Z، 0.975 به دست آمد. همچنين با استفاده از استراتژي دوم، دقيق¬ترين نتيجه از بين دو روش ANFIS و ANFIS-GA با رگرسيون 0.838 براي زبري سطح، نيرو در جهت X، 0.988، نيرو در جهت Y، 0.984 و نيرو در جهت Z ، 0.939 براي داده¬هاي تست بدست آمد.
-
تاريخ ورود اطلاعات
1402/04/03
-
عنوان به انگليسي
The use of neuro fuzzy network coupled with meta-heuristic learning methods to predict surface roughness and cutting forces in the machining of aluminum alloys
-
تاريخ بهره برداري
3/10/2024 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
امين سياهوشي
-
چكيده به لاتين
Considering the importance of surface roughness in machined parts, it is necessary to identify the factors that play an essential role in determining and improving surface quality. In this regard, they can be predicted and optimized by choosing suitable parameters. One of the methods used in this area is the prediction of surface roughness with traditional methods. However, limited studies were found on using meta-heuristic methods. As a result, this study proposed a model using A.I. algorithms and, more specifically, the fuzzy neural network algorithm and the combined algorithm of the fuzzy neural network. In total, 162 atests were used on three aluminum alloys 7075, 6061 and 2024, which include a variation of cutting speed, depth of cut, tool coating, feed rate, and surface roughness output. The fifth input parameter was the mechanical properties of materials, such as tensile strength, shear strength and hardness. During the modeling process, the corresponding data of two alloys were used as training data and the third one as test data. The simulation performed on the data was evaluated using regression (R) and root mean square error (RMSE) criteria. The most accurate result among the two ANFIS and ANFIS-GA methods was obtained with a regression of 0.838 for the surface roughness for the test data.
-
كليدواژه هاي فارسي
ماشينكاري , زبري سطح , ANFIS , ANFIS-GA
-
كليدواژه هاي لاتين
Machining , Surface Roughness , ANFIS , ANFIS-GA
-
Author
Amin Siahvashi
-
SuperVisor
Dr. Ali Niknam
-
لينک به اين مدرک :
