The Performance Prediction of Electrical Discharge Machining of AISI D6 Tool Steel Using ANN and ANFIS Techniques: A Comparative Study
Notice bibliographique
Résumé
AISI-D6 steel is widely used in the creation of dies and molds. In the present paper, first the electrical discharge machining (EDM) of the aforementioned material is performed with a testing plan of 32 trials. Then, artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS) were applied to predict the outputs. The effects of some significant operational parameters—specifically pulse on-time (Ton), pulse current (I), and voltage (V)—on the performance measures of EDM processes such as the material removal rate (MRR), tool wear ratio (TWR), and average surface roughness (Ra) are extracted. To lead the process operators, process plans (i.e., parameter–effect correlations) are created. The outcomes exposed the upper values of pulse on-time caused by higher amounts of MRR and Ra, and likewise lower volumes of TWR. Furthermore, growing the pulse current resulted in upper volumes of the material removal rate, tool wear ratio, and surface roughness. Besides, the higher input voltage resulted in a lower amount of MRR, TWR, and Ra. The estimation models developed by using experimental data recounting MRR, TWR, and Ra. The root means the square error was used to determine the error of training models. Furthermore, the estimated outcomes based on the models have been proven with an unseen validation set of experiments. They are found to be in decent agreement with the experimental issues. The investigation shows the powerful learning capability of an ANFIS model and its advantage in terms of modeling complex linear machining processes.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 ».