Milling of Graphene Reinforced Ti6Al4V Nanocomposites: An Artificial Intelligence Based Industry 4.0 Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The studies about the effect of the graphene reinforcement ratio and machining parameters to improve the machining performance of Ti6Al4V alloy are still rare and incomplete to meet the Industry 4.0 manufacturing criteria. In this study, a hybrid adaptive neuro-fuzzy inference system (ANFIS) with a multi-objective particle swarm optimization method is developed to obtain the optimal combination of milling parameters and reinforcement ratio that lead to minimize the feed force, depth force, and surface roughness. For achieving this, Ti6Al4V matrix nanocomposites reinforced with 0 wt.%, 0.6 wt.%, and 1.2 wt.% graphene nanoplatelets (GNPs) are produced. Afterward, a full factorial approach was used to design experiments to investigate the effect of cutting speed, feed rate, and graphene nanoplatelets ratio on machining behaviour. After that, artificial intelligence based on ANFIS is used to develop prediction models as the fitness function of the multi-objective particle swarm optimization method. The experimental results showed that the developed models can obtain an accurate estimation of depth force, feed force, and surface roughness with a mean absolute percentage error of 3.87%, 8.56%, and 2.21%, respectively, as compared with experimentally measured outputs. In addition, the developed artificial intelligence models showed 361.24%, 35.05%, and 276.47% less errors for depth force, feed force, and surface roughness, respectively, as compared with the traditional mathematical models. The multi-objective optimization results from the new approach indicated that a cutting speed of 62 m/min, feed rate of 139 mm/min, and GNPs reinforcement ratio of 1.145 wt.% lead to the improved machining characteristics of GNPs reinforced Ti6Al4V matrix nanocomposites. Henceforth, the hybrid method as a novel artificial intelligent method can be used for optimizing the machining processes with complex relationships between the output responses.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle