مطالعه تجربی و مدل‌سازی شبکه عصبی مصنوعی تاثیر پارامترهای ورودی بر روی سایش ابزار و زبری سطح در تراشکاری به کمک ارتعاشات التراسونیک آلیاژ تیتانیوم ti6al4v

در فرآیندهای ماشینکاری به کمک التراسونیک، ارتعاشی با دامنه تقریبی 4 تا 20 میکرون و فرکانس تقریبی20 khz  به ابزار یا قطعه‌کار اضافه می‌شود که سبب جدایش متناوب آنها از یکدیگر شده و موجب بهبود فیزیک فرآیند می‌گردد. در این تحقیق به بررسی تجربی تراشکاری و تراشکاری التراسونیک بر روی آلیاژ تیتانیوم ti-6al-4vپرداخته شد. در ابتدا با بررسی پارامترهای مختلف، 4 پارامتر به عنوان پارمترهای ورودی انتخاب شدند (سرعت برش، پیشروی، عمق برش و شرایط تراشکاری التراسونیک) و اثر این چهار پارامتر با انجام آزمایش‌های تجربی بر دو پارامتر خروجی یعنی سایش ابزار و زبری سطح مشخص گردید. پس از انجام آزمایش‌های تجربی، بر روی نتایج به دست آمده تحلیل آماری انجام گرفت و مدل شبکه عصبی برای برای پیش‌بینی سایش ابزار و زبری سطح پیشنهاد شد. بررسی میزان خطای مدل شبکه عصبی نشان داد که نتایج پیش-بینی شده توسط شبکه‌های عصبی درصد خطای کمی دارند. در تمامی آزمایش‌های انجام شده با استفاده از ارتعاشات التراسونیک، میزان سایش ابزار و زبری سطح نسبت به تراشکاری معمولی کاهش یافته است. علت کاهش سایش ابزار و زبری سطح در حالت التراسونیک، کاهش میانگین نیروهای وارد به ابزار و جدایش متناوب ابزار-قطعه کار و افزایش پایداری دینامیکی فرآیند است. 

experimental and artificial neural network modeling of the effects of the input parameters on tool wear and surface roughness in vibration assisted turning of ti6al4v

in ultrasonic vibration-assisted turning, an ultrasonic vibration is added to the tool, which leads to the periodical disengagement of the tool and the work-piece. in this research, an experimental study of ultrasonic vibration-assisted turning and conventional turning on ti6al4v titanium alloy is conducted. first, by analyzing different parameters, four parameters are selected as the main affecting input parameters (cutting speed, feed rate, depth of cut, and ultrasonic vibration), and the effects of these four parameters are studied on two output parameters, namely tool wear and surface roughness. after the experimental tests, a statistical analysis is performed on the results and a neural network model is developed to predict the tool wear and surface roughness. the results show that the developed neural network model has a good agreement with the experimental results. in all experiments using ultrasonic vibrations, the tool wear and surface roughness were lower in comparison with the conventional turning. the cause of the tool wear and surface roughness reduction in ultrasonic mode are reducing the average forces applied to the tool, the alternative disengagement between the tool and the workpiece and increased dynamic stability of the process.