| استفاده از روش‌های یادگیری ماشین به منظور پیشبینی شاخصه‌های توانایی ماشینکاری |
| کد مقاله : 1183-ICME2025 (R1) |
| نویسندگان |
|
آتبین همدمی خشکنودهانی *1، سیدعلی نیکنام2 1دانشجوی دانشگاه علم و صنعت 2استادیار دانشکده مهندسی مکانیک دانشگاه علم و صنعت ایران |
| چکیده مقاله |
| با پیشرفت دانش مهندسی در حوزه فرآیندهای تولید، مشخص شده است که ویژگی‌های کیفیت سطح مانند زبری سطح در قطعات فرزکاری، تحت تأثیر عوامل متعددی از جمله جهت‌گیری ابزار برش، پروفایل برش، پارامترهای برش (مانند سرعت، نرخ تغذیه و عمق برش)، شکل و اندازه ابزار، پوشش ابزار و تعامل بین قطعه کار و ابزار قرار می‌گیرند. از این رو، زبری سطح را نمی‌توان به سادگی به عنوان تابعی از پارامترهای مستقیم فرموله کرد. بنابراین، پیشبینی دقیق ویژگی‌های کیفیت سطح و لبه در قطعات فرزکاری به یک چالش مهم تبدیل شده است. در این پژوهش، برای رفع این چالش، از روش رگرسیون بردار پشتیبان (SVR) استفاده شده است تا مدلی دقیق برای پیشبینی زبری سطح در فرآیند فرزکاری آلیاژ آلومینیوم 6061 توسعه یابد. این مدل با بهینه‌سازی هایپرپارامترها و در نظر گرفتن پیچیدگی‌های غیرخطی مرتبط پارامترهای کیفیت سطح، آموزش داده شده است. عملکرد مدل با استفاده از معیارهای ارزیابی مانند میانگین خطای مطلق (MAE)، میانگین مربعات خطا (MSE) و ضریب تعیین (R²) مورد بررسی قرار گرفت. همچنین، تأثیر پارامترهای فرآیند (شامل سرعت برش، نرخ تغذیه، عمق برش و نوع ابزار) بر زبری سطح تحلیل شد. نتایج نشان داد که مدل پیشبینی توسعه‌یافته، عملکرد بسیار خوبی در مواجهه با داده‌های دیده نشده دارد. |
| کلیدواژه ها |
| یادگیری ماشین، رگرسیون بردار پشتیبان، زبری سطح، فرزکاری، آلیاژ آلومینیوم 6061 |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
