بررسی تاثیر پارامترهای ماشین‌کاری بر روی زبری سطح و نیروی ماشینکاری با استفاده از شبکه عصبی مصنوعی

کنترل و بهینه سازی زبری سطح و نیروی ماشین‌کاری برای مواد سخت کاری شده بسیار ضروری است. برای این منظور می توان از روش های هوشمند مبتنی بر مدل های پیش بینی و بهینه سازی 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 4140 مورداستفاده قرار گرفت. طراحی آزمایش‌ها به روش فاکتوریل کامل در قالب 27 آزمایش صورت گرفت و از ابزار کاربید سمانته بدون پوشش tcmw 16t304 h13a در تراشکاری استفاده شد و زبری سطح و نیروی ماشین‌کاری اندازه گیری شد. معماری بهینه با دولایه پنهان برای مدل شبکه عصبی مصنوعی انتخاب شد و برای پیش بینی جداگانه زبری سطح و نیروی ماشین‌کاری استفاده شد. مقادیر پیش بینی مدل شبکه عصبی مصنوعی با نتایج تجربی مقایسه شد و میانگین درصد خطای داده های اعتبارسنجی برای زبری سطح و نیروی ماشین‌کاری به ترتیب برابر با 4.25 و 5.11 درصد محاسبه شد و در انتها پارامترهای بهینه برش به‌طوری‌که زبری سطح و نیروی ماشین‌کاری در پایین ترین سطح باشند، انتخاب شد.

investigating the effect of machining parameters on surface roughness and machining force using artificial neural network

when working with hardened materials, it’s important to control and optimize the surface roughness and machining force. to achieve this, we can use intelligent methods that are based on prediction and optimization models. in this study, an artificial neural network was used to evaluate the surface roughness and machining force of hardened steel 4140 by analyzing cutting speed, feed rate, and machining time. a full factorial method was used to carry out 27 experiments, and an uncoated cemented carbide tool tcmw 16t304 h13a was used to measure surface roughness and machining force during turning. an artificial neural network model with two hidden layers was selected as the optimal architecture for separately predicting surface roughness and machining force. the predicted values were then compared with the experimental results, and the average error percentage for validation data was calculated as 4.25% for surface roughness and 5.11% for machining force. finally, the optimal cutting parameters were selected to minimize surface roughness and machining force.