Comparison of Regression Model with Multi-layer Perceptron Model While Optimising Cutting Force Using Genetic Algorithm
Notice bibliographique
Résumé
Cutting force is an important measurement in machining to predict the life a tool and to estimate the power required.Standard mathematical models can be used to minimise the cutting forces (Fz).A comparative study is made in modelling the cutting force (Fz) through L18 and ANN models, while turning of AISI 1040 steel with tungsten carbide cutting insert.The input parameters that are considered are volume concentration, MQL flow rate, speed, feed and DOC The experiments were carried out using L18 Taguchi design process, and the analysis was made using SPSS to determine the model adequacy and also the influencing parameters effecting cutting force.Multi-Layer Perceptron (MLP) which is a class of feedforward artificial neural network was adopted to develop the mathematical prediction models.The predictive capabilities of L18 and ANN models were further compared in terms of their mean absolute percentage error.The results concluded that the ANN model is better in predicting the response with 3.78% mean absolute percentage error where as L18 model has an average percentage error of 7.58%.It was observed that the cutting force was reduced through ANN method by 7.814% when compared to L18 model.Both the models were used to further optimise the cutting force Fz through genetic algorithm.The results showed that the ANN model predicted optimal cutting force already, and the usage of genetic algorithm as a post processing step did not improve it any further.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».