The Performance Prediction of Electrical Discharge Machining of AISI D6 Tool Steel Using ANN and ANFIS Techniques: A Comparative Study
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
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.
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