Performance evaluation of machine learning algorithms in predicting machining responses of superalloys
Notice bibliographique
Résumé
This study explores the application of machine learning algorithms—gene expression programming (GEP), adaptive neuro-fuzzy inference system (ANFIS), and artificial neural networks (ANN)—to predict machining responses during the milling of Inconel 690, a superalloy known for its exceptional mechanical properties and oxidation resistance. Machining Inconel 690 presents significant challenges due to its toughness and work-hardening tendencies, which can lead to rapid tool wear and poor surface finish. Traditional optimization methods often rely on empirical models and trial-and-error approaches, which are time-consuming and costly. In contrast, machine learning techniques can effectively model complex, nonlinear relationships between machining parameters and performance outcomes, such as surface roughness, cutting force, and cutting temperature. This study employs statistical metrics, including Root mean square error (RMSE), coefficient of determination (R2), and mean absolute percentage error (MAPE), to determine the predictive performance of the models. The results show that the GEP model achieved an R2 ranging from 0.944 572 to 0.992 999, with an RMSE between 0.015 527% and 0.694 523% and a MAPE ranging from 1.452 397% to 4.947 892%. ANFIS and ANN also demonstrated strong predictive capabilities, although GEP outperformed them. The importance of this study lies in its demonstration of advanced AI techniques as effective tools for optimizing machining processes, ultimately contributing to improved efficiency and quality in manufacturing superalloys.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».