جستجو در مقالات منتشر شده
۲ نتیجه برای فولاد ۴۱۴۰
فرشید جعفریان، محمد مقداد فلاح، سجاد دهقانی،
دوره ۲۳، شماره ۱۰ - ( ۷-۱۴۰۲ )
چکیده
توانایی پیشبینی سایش ابزار در هنگام ماشینکاری بخش بسیار مهمی از تشخیص است که باعث میشود ابزار در زمان مربوطه جایگزین شود. ازاین‌رو، در این پژوهش از رویکرد شبکه عصبی مصنوعی برای پیشبینی سایش ابزار استفاده شد. ابتدا فولاد سختکاری شده ۴۱۴۰ با ابزار کاربید سیمانی بدون پوشش TCMW ۱۶T۳۰۴ H۱۳A و با پارامترهای ورودی شامل سرعت برشی، نرخ پیشروی و زمان ماشینکاری در سه سطح مختلف و با عمق برش ثابت تراشکاری شد و میزان سایش ابزار اندازهگیری شد و از نتایج آزمایش تجربی برای آموزش و اعتبارسنجی شبکه عصبی مصنوعی استفاده شد. معماری بهینه شبکه عصبی با ۳ گره در لایه ورودی، دو لایه پنهان با ۱۲ و ۳۶ گره به ترتیب در لایههای اول و دوم پنهان و ۱ گره در لایه خروجی برای پیشبینی سایش ابزار به دست آمد. مقادیر پیشبینی مدل شبکه عصبی مصنوعی با نتایج تجربی مقایسه شد و میانگین درصد خطای دادههای اعتبارسنجی برابر با ۳۲/۳ درصد محاسبه شد.
فرشید جعفریان، محمد مقداد فلاح، سجاد دهقانی،
دوره ۲۳، شماره ۱۰ - ( ۷-۱۴۰۲ )
چکیده
کنترل و بهینهسازی زبری سطح و نیروی ماشینکاری برای مواد سختکاری شده بسیار ضروری است. برای این منظور میتوان از روشهای هوشمند مبتنی بر مدلهای پیشبینی و بهینهسازی استفاده کرد. در این پژوهش پارامترهای ماشینکاری شامل سرعت برشی، نرخ پیشروی و زمان ماشینکاری توسط شبکه عصبی مصنوعی برای ارزیابی زبری سطح و نیروی ماشینکاری، در تراشکاری فولاد سختکاری شده ۴۱۴۰ مورداستفاده قرار گرفت. طراحی آزمایش‌ها به روش فاکتوریل کامل در قالب ۲۷ آزمایش صورت گرفت و از ابزار کاربید سمانته بدون پوشش TCMW ۱۶T۳۰۴ H۱۳A در تراشکاری استفاده شد و زبری سطح و نیروی ماشینکاری اندازهگیری شد. معماری بهینه با دولایه پنهان برای مدل شبکه عصبی مصنوعی انتخاب شد و برای پیشبینی جداگانه زبری سطح و نیروی ماشینکاری استفاده شد. مقادیر پیشبینی مدل شبکه عصبی مصنوعی با نتایج تجربی مقایسه شد و میانگین درصد خطای دادههای اعتبارسنجی برای زبری سطح و نیروی ماشینکاری به ترتیب برابر با ۲۵/۴ و ۱۱/۵ درصد محاسبه شد و در انتها پارامترهای بهینه برش به‌طوری‌که زبری سطح و نیروی ماشینکاری در پایینترین سطح باشند، انتخاب شد.
