MétaCan
Menu
Retour à la cohorte
Enregistrement W4282914821 · doi:10.1142/s0219686723500130

Minimization of Nonproductive Time in Drilling: A New Tool Path Generation Algorithm for Complex Parts

2022· article· en· W4282914821 sur OpenAlexaff
Z. Khodabakhshi, Atefeh Sadat Hosseini, A. Ghandehariun

Notice bibliographique

RevueJournal of Advanced Manufacturing Systems · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésPath (computing)Tool pathBenchmark (surveying)AlgorithmTravelling salesman problemSoftwareSet (abstract data type)Computer scienceMinificationMathematical optimizationEngineeringMachiningMathematicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

In computerized tool path programming, the operator/user can generate the tool path based on the shape and geometry of the part to be produced by choosing from a set of predefined strategies available in the library of Computer Aided Manufacturing (CAM) software. These tool paths are typically not optimum, specifically for complex geometries. This paper employed Travelling Salesman Problem (TSP) as a foundation to propose a new tool path optimization algorithm for drilling to minimize the tool path length and subsequently reduce the time spent on nonproductive movements. The proposed algorithm was solved using local search approach in the presence of multiple constraints including geometric obstacles and initial location of tool origin. The outcome was a near-optimum tool path for drilling operations with no collision with workpiece features. The computational efficiency of the proposed algorithm was also compared with other methods in available literature using a standard workpiece as a benchmark. The results confirmed that for given examples, the near-optimum collision-free tool paths using the developed model in this paper were almost 50% shorter than the tool path generated by a commercial CAM software.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,221
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced Manufacturing SystemsMême sujetManufacturing Process and OptimizationTravaux en français237 207