Comparative Analysis of ANFIS-PSO and ANFIS-GA Predictions for MRR in AL-8112 Alloy Machining
Notice bibliographique
Résumé
The ability to predict MRR due to its significance in machining operations cannot be underestimated.Most computer numerical control cutting tools do not withstand high MRR during operation because they cause high heat generation and friction.This leads to high vibrations by chip discontinuity with material adhesion.The high vibration increases the cutting tool wear rate and leads to the cutting tool's substitution.Therefore, this study focuses on the comparative study of the prediction performance of ANFIS-PSO and ANFIS-GA of MRR via machining of Al-8112 alloy.The machining operation was carried out under the TiO2 nano-vegetable oil, and the data was collected via 5 machining parameters at 5 levels with 50 experimental runs.The ANFIS-PSO and ANFIS-GA techniques were employed to develop a model for predicting the MRR data generated during the machining operation of AL-8112 Alloy.The data were trained and tested.The expected result shows that the ANFIS-PSO training prediction rate of the MRR is 82% compared with the ANFIS GA training with 88%.When compared, the ANFIS-PSO Testing prediction rate is 80% and 81.5% for the ANFIS-GA Testing process.Therefore, the study could conclude that the MRR ANFIS-GA performed better with high accuracy.Moreover, this study will assist machinists and manufacturers in navigating their machining parameters for optimal processing and manufacturing innovation.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».