Enhancing Friction Stir Welding in Fishing Boat Construction through Deep Learning-Based Optimization
Notice bibliographique
Résumé
In the present study, the authors have attempted to present a novel approach for the prediction, analysis, and optimization of the Friction Stir Welding (FSW) process based on the Deep Neural Network (DNN) model. To obtain the DNN structure with high accuracy, the most focus has been on the number of hidden layers and the activation functions. The DNN was developed by a small database containing results of tensile and hardness tests of welded 7075-T6 aluminum alloy. This material and the production method were selected based on the application in the construction of fishing boat flooring, because on the one hand, it faces the corrosion caused by proximity to sea water and on the other hand, due to direct contact with human food, i.e., fish etc., antibacterial issues should be considered. All the major parameters of the FSW process, including axial force, rotational speed, and traverse speed as well as tool diameter and tool hardness, were considered to investigate their correspondence effects on the tensile strength and hardness of welded zone. The most important achievement of this research showed that by using SAE for pre-training of neural networks, higher accuracy can be obtained in predicting responses. Finally, the optimal values for various welding parameters were reported as rotational speed: 1600 rpm, traverse speed: 65 mm/min, axial force: 8 KN, shoulder and pin diameters: 15.5 and 5.75 mm, and tool hardness: 50 HRC.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».