پیش‌بینی زبری سطح در فرزکاری آلیاژهای آلومینیوم با استفاده از شبکه فازی عصبی همراه با روش‌های یادگیری فرا ابتکاری

با توجه به اهمیت زبری سطح در قطعات ماشینکاری شده، باید با انتخاب پارامترهای صحیح برشی و غیر برشی، پیش بینی و بهینه سازی آن را تحقق بخشید. یکی از روش‌ های استفاده شده در این حوزه پیش ‌بینی زبری سطح با روش ‌های سنتی بوده است و از روش‌ های فراابتکاری کمتر استفاده شده است. در نتیجه در این تحقیق، با استفاده از الگوریتم‌ های هوش مصنوعی و به صورت خاص‌ تر با استفاده از الگوریتم شبکه عصبی فازی و همچنین الگوریتم ترکیبی شبکه عصبی فازی مبتنی بر ژنتیک، بر روی داده‌ های بدست آمده مدلی ایجاد می‌ گردد که بتواند پیش‌ بینی یک خروجی خاص (به طور مثال زبری سطح) را انجام دهد. در مجموع از داده ‌های 162 آزمایش برای سه آلیاژ آلومینیوم 7075، 6061 و 2024 استفاده شد که شامل سرعت برشی، عمق برش، نوع پوشش ابزار، نرخ پیشروی ابزار و خروجی زبری سطح می ‌باشد. ورودی پنجمی نیز که مبین خواص مکانیکی مواد از جمله استحکام کششی، مقاومت برشی و سختی می باشد استفاده گردید و مدل ‌سازی به صورت یکپارچه برای هر سه آلیاژ انجام گردید. در این پژوهش داده ‌های دو نوع از سه نوع آلیاژ موجود به عنوان داده آموزش و سومی برای داده تست استفاده شد. شبیه‌ سازی انجام شده روی داده‌ ها با استفاده از معیارهای رگرسیون (r) و مجذور میانگین مربعات خطا (rmse) مورد ارزیابی قرار گرفت. دقیق ترین نتیجه از بین دو روش anfis (سیستم استنتاجی فازی-عصبی تطبیقی) و anfis-ga (مدل ترکیبی سیستم استنتاجی فازی-عصبی تطبیقی همراه با الگوریتم ژنتیک) با رگرسیون 0.838 برای زبری سطح برای داده های تست بدست آمد.

the use of a neuro-fuzzy network coupled with meta-heuristic learning methods to predict surface roughness in the machining of aluminum alloys

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 tests 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 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 of the test data.