مقایسه روش‌های شبکه عصبی مصنوعی در مدل‌سازی فرایند تراش‌کاری ماده مرکب زمینه پلیمری

در این پژوهش ماده مرکب زمینه اپوکسی پرشده با ذرات آلومینیم تهیه گردید و با تغییر شرایط مختلف تراش‌کاری شامل: سرعت برش، کسر وزنی ذرات، عمق برش و نرخ پیشروی از قطعات مواد مرکب براده‌برداری صورت گرفت. سپس زبری سطح قطعات، اندازه‌گیری شد. برای پیش‌بینی اثر چهار عامل تراش‌کاری بر زبری سطح قطعات، با استفاده از دو نوع شبکه عصبی شامل: شبکه عصبی چند لایه پرسپترون و شبکه عصبی با تابع پایه شعاعی، مدل‌سازی انجام شد. ضرایب همبستگی بین داده‌های خروجی مدل‌ها و داده‌های تجربی نشان داد که شبکه چند لایه پرسپترون نسبت به شبکه با تابع پایه شعاعی انطباق بهتری با نتایج آزمایشگاهی دارد (ضریب همبستگی 835/0 برای شبکه چند لایه پرسپترون و 524/0 برای شبکه با تابع پایه شعاعی). به علت دارا بودن ضریب همبستگی بالاتر در شبکه عصبی چند لایه پرسپترون، این شبکه برای مدل‌سازی تاثیر عوامل تراش‌کاری بر زبری سطح پیشنهاد شد.