Hybrid neural network framework for predicting tool tip dynamics via receptance coupling
Notice bibliographique
Résumé
Tool tip frequency response functions (FRFs) are fundamental to predicting stability lobe diagrams and mitigating chatter in machining operations. This study introduces a hybrid framework that integrates physics-based modeling with data-driven learning to reduce approximation errors in tool holder–tool geometries and mitigate uncertainties in their contact parameters. The tools and tool holders are modeled using a Timoshenko beam-based finite element formulation and assembled as free-free structures via receptance coupling substructure analysis (RCSA). Uncertainties in the elastic modulus, Poisson’s ratio, and density of the tool and holder materials are minimized by aligning the measured and simulated natural frequencies of representative tool and holder samples. Neural network models are pre-trained using simulated FRFs with approximate contact parameters and subsequently fine-tuned through a limited number of experimental free-free impact tests on holder–tool assemblies. The optimized contact parameters are then archived in the database for each holder type. The finite element models of the tools and holders are coupled using the tuned contact parameters and subsequently assembled with the stored spindle model via RCSA. The proposed hybrid approach is experimentally validated through impact testing of diverse holder–tool configurations mounted on machine tools. The resulting methodology contributes to the establishment of a robust digital machine tool database, thereby facilitating more reliable stability predictions and enabling enhanced productivity in NC part programming within CAM systems.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 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 ».