Predictive modeling of MRR, TWR, and SR in spark-EDM of Al-4.5Cu–SiC using ANN and GEP
Notice bibliographique
Résumé
In this study, Al-4.5Cu alloy was reinforced with varying weight percentages of SiC particles (2%, 4%, 6%, and 8%) to create metal matrix composites via the stir casting method. The formation of intermetallic compounds was confirmed through energy dispersive spectroscopy and x-ray diffraction analysis. This article compares the performance of Artificial Neural Network (ANN) and Gene Expression Programming (GEP) models in predicting the Metal Removal Rate (MRR), tool wear rate, and surface roughness in the die-sinking electro-discharge machining (EDM) process of the ex-situ developed Al-4.5%Cu–SiC composites. The study considers three machine parameters—pulse on time (TON), pulse off time (TOFF), and current (I)—along with the weight fraction of SiC particles as input variables for the models. Both ANN and GEP models demonstrated high predictive accuracy for the EDM performance metrics, with correlation coefficients (R) ranging from 0.973 68 to 0.980 65 for the ANN model and 0.980 11 to 0.982 59 for the GEP model. Notably, the GEP model exhibited superior predictive capability, as evidenced by its higher correlation coefficients and lower root mean square error, indicating greater effectiveness in predicting the EDM process outcomes than the ANN model.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».