Integration of finite element simulation and intelligent methods for evaluation of thermo-mechanical loads during hard turning process
Notice bibliographique
Résumé
The machined surfaces are mainly affected by thermo-mechanical loads during machining processes. In this regard, thermal loads increase tensile residual stress and heat-affected zone; however, mechanical loads increase fatigue strength and compressive residual stress on the machined workpiece during the process. Since experimental investigation is difficult, the problem becomes more difficult if the aim is minimizing thermal loads, while maximizing mechanical loads during the hard turning process. This article presents a hybrid method based on the artificial neural networks, multiobjective optimization, and finite element analysis for evaluation of thermo-mechanical loads during the orthogonal turning of AISI H13-hardened die steel (52HRC). First, using an iterative procedure, controllable parameters of simulation (including contact conditions and flow stress) are determined by comparison between finite element and experimental results from the literature. Then, the results of finite element simulation at the different cutting conditions and tool geometries were employed for training neural networks by genetic algorithm. Finally, the functions implemented by neural networks were considered as objective functions of nondominated genetic algorithm and optimal nondominated solution set were determined at the different states of thermal loads (workpiece temperature) and mechanical loads (workpiece effective strain). Comparison between the obtained results of nondominated genetic algorithm and predicted results of finite element simulation showed that the hybrid technique of finite element method–artificial neural networks–multiobjective optimization provides a robust framework for machining simulation of AISI H13.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».