Comparative Analysis of Prediction Algorithms for Surface Roughness in AI-oriented Courses
Notice bibliographique
Résumé
The integration of artificial intelligence (AI) into mechanical engineering curricula has garnered significant interest. A critical challenge lies in effectively incorporating AI technologies into foundational courses, which is essential for advancing the practical implementation of AI. In the field of machining, surface roughness serves as a crucial parameter for assessing the quality of manufactured components, influencing properties such as wear resistance, fatigue strength, and dimensional accuracy. Conventional empirical approaches struggle to accurately model the complex nonlinear dynamics involved in machining processes. As a result, data-driven intelligent prediction methods have emerged as a prominent area of research in this domain. This paper aims to investigate the effectiveness of machine learning algorithms in predicting surface roughness. Prediction models are developed using the Exponential Function (EF), Ridge Regression (RR), Gradient Boosting Regression (GBR), eXtreme Gradient Boosting (XGBoost), and Ensemble Learning based on a Genetic Algorithm (ELGA). Through the training and testing based on experimental data, the prediction accuracy and stability of various algorithms were evaluated and compared. The results demonstrate that the ELGA algorithm proposed in this paper further reduces prediction error by employing a unique global optimization strategy. Specifically, the root mean square error (RMSE) is 0.035, the mean absolute percentage error (MAPE) is 0.027, and the coefficient of determination (R²) reaches 0.955. Overall, ELGA outperforms individual machine learning models, significantly enhancing both the accuracy and robustness of predictive performance. This advancement provides an effective solution and a valuable reference for algorithm selection in high-precision surface roughness prediction.
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 | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».