ارائه الگوریتمی براساس یادگیری ماشین شدید، به منظور نرخ انتقال مواد در فرآیند EDC

نوع مقاله : علمی- ترویجی

نویسندگان

1 مربی گروه مواد دانشگاه صنعتی بیرجند

2 کارشناس ارشد

3 کارشناسی ارشد

4 دانشجوی کارشناسی ارشد دانشگاه ارومیه

چکیده

در مقالة حاضر از روش ماشین یادگیری شدید برای مدل‌سازی نرخ انتقال مواد در فرآیند EDC به عنوان پارامتر تأثیرگذار بر سرعت انجام فرآیند و کیفیت سطح بوجود آمده، استفاده شده است. میزان میانگین مربعات خطا (MSE) برای نرخ انتقال مواد در داده‌های آموزش 387,000/0 و در داده‌های آزمون 7,001/0 با استفاده از مدل شبکة عصبی ماشین یادگیری شدید بدست آمده است. همچنین، مقدار میانگین مربعات خطا برای متوسط ضخامت لایة بازنشانی شده در داده‌های آموزش 214,000/0 و در داده‌های آزمون 7,001/0 محاسبه شده است. الگوریتم ارائه شده ماشین یادگیری شدید با نتایج تجربی از دقت بالایی در پیشبینی پارامترهای خروجی فرآیند برخوردار است.

کلیدواژه‌ها


[1]   Jameson E.C., Description and Development of Electrical Discharge Machining (EDM), in Electrical Discharge Machining, Society of Manufacturing Engineers, Dearbern, Michigan, 2001.
[2]   Patowari, P.K., Saha, P., and Mishra, P.K., "Artificial Neural Network Model in Surface Modification by EDM, Using Tungsten–Copper Powder Metallurgy Sintered Electrodes", The Int. J. Advanced Manufacturing Tech., Vol. 51, No. 5, pp. 627-638, 2010.
[3]   Ranaei, M.A., Afsari, A., Ahmadi Brooghani, S.Y., and Moshksar, M.M., "Investigation on Performance of Ultra Fine Grained Pure Copper as Electrode During Electrical Discharge Machining", Modarres Mech. Engineering, Vol. 14, No. 1, pp. 97-105, 2014.
[4]   Khosrozadeh, B. and Shabgard, M.R., "Investigating the Effect of Simultaneous Ultrasonic Vibration of Tool and Addition of SiO2 Nanoparticles into the Dielectricon Machining Characteristics of Titanium Alloy Ti-6Al-4V in EDM Process", Modarres Mech. Engineering, Vol. 15, No. 13, pp. 311-317, 2015.
[5]   Torres, A., Luis, C.J., and Puertas, I., "EDM Machinability and Surface Roughness Analysis of TiB2, Using Copper Electrodes", J. Alloys and Compounds, Vol. 69, pp. 337-347, 2017.
[6]   Li, L., Feng, L., Bai, X., and Li, Z.Y., "Surface Characteristics of Ti–6Al–4V Alloy by EDM with Cu–SiC Composite Electrode", Applied Surface Sci., Vol. 388, pp. 546-550, 2016.
[7]   Dwivedi, A.P. and Choudhury, S.K., "Improvement in the Surface Integrity of AISI D3 Tool Steel Using Rotary Tool Electric Discharge Machining Process", Procedia Tech., Vol. 23, pp. 280-287, 2016.
[8]         Ahmed, A., "Deposition and Analysis of Composite Coating on Aluminum Using Ti–B4C Powder Metallurgy Tools in EDM", Materials and Manufacturing Processes, Vol. 31, No. 4, pp. 467-474, 2016.
[9]   Bagheri Golzar, C., Karami Sorkhe Chaghaie, F., Eftekhari Moghadam, A.. and Boroumandnia, A., "Machine Learning and Explaining Its Significant Algorithms", The 4th Iranian Conference on Electrical and Electronic Engineering, Islamic Azad University, Gonabad, 2012.
[10]    Rong, H.J., Ong, Y.S., Tan, A.H., and Zhu, Z., "A Fast Pruned-Extreme Learning Machine for Classification Problem", Neurocomputing, Vol. 72, No. 1-3, pp. 359-366, 2008.
[11]    Xu, Z., Yao, M., Wu, Z., and Dai, W., "Incremental Regularized Extreme Learning Machine and It's Enhancement", Neurocomputing, Vol. 174, Part. A, pp. 134-142, 2016.
[12]    Huang, G.B., Zhu, Q.Y., and Siew, C.K., "Extreme Learning Machine: Theory and Applications", Neurocomputing, Vol. 70, No. 1-3, pp. 489-501, 2006.
[13]    Huang, G., Huang, G.B., Song, S., and You, K., "Trends in Extreme Learning Machines: a Review", Neural Networks, Vol. 70, pp. 32-48, 2015.
[14]    Alaba, P.A., Popoola, S.I., Olatomiwa, L., Akanle, M.B., Ohunakin, O., Adetiba, E., Alex, O.D., Atayero, A.A.A., and Wan Daud, W.M.A., "Towards a More Efficient and Cost-Sensitive Extreme Llearning Machine: a State-of-the-art Review of Recent Trend", Neurocomputing, Vol. 350, pp. 70-90, 2019.