An integrated approach of VIKOR and teaching learning based optimization algorithm for milling machinability computations
Notice bibliographique
Résumé
The significance of producing Carbon nanomaterials (CNMs) reinforced polymer composites are increasing in manufacturing trades due to their exceptional performances. CNM modified composites are primarily employed in structural component needs due to expanded physicomechanical properties. This paper highlights a coherent approach of the VIšekriterijumsko KOmpromisno Rangiranje(VIKOR) and Teaching learning-based optimization algorithm (TLBO) to evaluatethe Milling efficiency. The machining was performed for the Milling process of0-D carbon nano onion (CNO) reinforced polymer (Epoxy) composite at four different levels of Box Behnken Design (BBD). The Milling performances such as Material Removal Rate (MRR) and Surface roughness (SR) were optimized to enhance product quality and productivity. The control of varying process constraints, viz. Weight % of CNO filler content(A), cutting speed (B), feed rate (C) and depth of cut (D), was used to optimize the machining response. The conflicting response is aggregated through the VIKOR method to develop the fitness function for an algorithm. The process constraints play a significant role in influencing the cost and productivity ofthe machined components. The objective function derived from VIKOR was supplied as input into the TLBO algorithm. The results demonstrated that the spindlespeed, feed rate, and weight % of CNO filler are the most contributing factors for machining indices. Also, the hybrid VIKOR-TLBO module shows a lower error percentage than the conventional VIKOR method. The microstructural investigation of the machined surface reveals the feasibility of the proposed hybrid module in a production environment.
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 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 | 0,001 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».