Optimization of process parameters for turning of titanium alloy (Grade II) in MQL environment using multi-CI algorithm
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
Abstract The advancement of materials science during the last few decades has led to the development of many hard-to-machine materials, such as titanium, stainless steel, high-strength temperature-resistant alloys, ceramics, refractories, fibre-reinforced composites, and superalloys. Titanium is a prominent material and widely used for several industrial applications. However, it has poor machinability and hence efficient machining is critical. Machining of titanium alloy (Grade II) in minimum quantity lubrication (MQL) environment is one of the recent approaches towards sustainable manufacturing. This problem has been solved using various approaches such as experimental investigation, desirability, and with optimization algorithms. In the group of socio-inspired optimization algorithm, an artificial intelligence (AI)-based methodology referred to as Cohort Intelligence (CI) has been developed. In this paper, CI algorithm and Multi-CI algorithm have been applied for optimizing process parameters associated with turning of titanium alloy (Grade II) in MQL environment. The performance of these algorithms is exceedingly better as compared with particle swarm optimization algorithm, experimental and desirability approaches. The analysis regarding the convergence and run time of all the algorithms is also discussed. It is important to mention that for turning of titanium alloy in MQL environment, Multi-CI achieved 8% minimization of cutting force, 42% minimization of tool wear, 38% minimization of tool-chip contact length, and 15% minimization of surface roughness when compared with PSO. For desirability and experimental approaches, 12% and 8% minimization of cutting force, 42% and 47% minimization of tool wear, 53% and 40% minimization of tool-chip contact length, and 15% and 20% minimization of surface roughness were attained, respectively.
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