9689

استفاده از روش‌هاي يادگيري ماشين به منظور پيشبيني شاخصه‌هاي توانايي ماشينكاري

كارشناسي

مهندسي مكانيك

1403

سيد‌علي نيكنام

1404/02/22

مهندسي مكانيك

Using Machine Learning Methods to Predict Machinability Characteristics

با پيشرفت دانش مهندسي در حوزه فرآيندهاي توليد، مشخص شده است كه ويژگي‌هاي كيفيت سطح مانند زبري سطح در قطعات فرزكاري، تحت تأثير عوامل متعددي از جمله جهت‌گيري ابزار برش، پروفايل برش، پارامترهاي برش (مانند سرعت، نرخ تغذيه و عمق برش)، شكل و اندازه ابزار، پوشش ابزار و تعامل بين قطعه كار و ابزار قرار مي‌گيرند. از اين رو، زبري سطح را نمي‌توان به سادگي به عنوان تابعي از پارامترهاي مستقيم فرموله كرد. بنابراين، پيش‌بيني دقيق ويژگي‌هاي كيفيت سطح و لبه در قطعات فرزكاري به يك چالش مهم تبديل شده است. در اين پژوهش، براي رفع اين چالش، از روش رگرسيون بردار پشتيبان (SVR) استفاده شده است تا مدلي دقيق براي پيش‌بيني زبري سطح در فرآيند فرزكاري آلياژ آلومينيوم 6061 توسعه يابد. اين مدل با بهينه‌سازي هايپرپارامترها و در نظر گرفتن پيچيدگي‌هاي غيرخطي مرتبط پارامترهاي كيفيت سطح، آموزش داده شده است. عملكرد مدل با استفاده از معيارهاي ارزيابي مانند ميانگين خطاي مطلق (MAE)، ميانگين مربعات خطا (MSE) و ضريب تعيين (R²) مورد بررسي قرار گرفت. همچنين، تأثير پارامترهاي فرآيند (شامل سرعت برش، نرخ تغذيه، عمق برش و نوع ابزار) بر زبري سطح تحليل شد. نتايج نشان داد كه مدل پيش‌بيني توسعه‌يافته، عملكرد بسيار خوبي در مواجهه با داده‌هاي ديده نشده دارد.

يادگيري ماشين , رگرسيون بردار پشتيبان , زبري سطح , فرزكاري , آلياژ آلومينيوم 6061