論文の概要: Process parameter optimization of Friction Stir Welding on 6061AA using
Supervised Machine Learning Regression-based Algorithms
- arxiv url: http://arxiv.org/abs/2109.00570v1
- Date: Thu, 12 Aug 2021 05:45:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 08:50:37.538816
- Title: Process parameter optimization of Friction Stir Welding on 6061AA using
Supervised Machine Learning Regression-based Algorithms
- Title（参考訳）: 機械学習回帰アルゴリズムを用いた6061AA上の摩擦スター溶接のプロセスパラメータ最適化
- Authors: Akshansh Mishra, Eyob Messele Sefene, Assefa Asmare Tsegaw
- Abstract要約: 本稿では, 溶接継手の機械的特性向上のための最適プロセスパラメータの検証を行った。
実験は5mm6061アルミニウム合金板上で行われ, 工具材料, 回転速度, 横速度, 軸力を用いた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The highest strength-to-weight ratio criterion has fascinated curiosity
increasingly in virtually all areas where heft reduction is indispensable.
Lightweight materials and their joining processes are also a recent point of
research demands in the manufacturing industries. Friction Stir Welding (FSW)
is one of the recent advancements for joining materials without adding any
third material (filler rod) and joining below the melting point of the parent
material. The process is widely used for joining similar and dissimilar metals,
especially lightweight non-ferrous materials like aluminum, copper, and
magnesium alloys. This paper presents verdicts of optimum process parameters on
attaining enhanced mechanical properties of the weld joint. The experiment was
conducted on a 5 mm 6061 aluminum alloy sheet. Process parameters; tool
material, rotational speed, traverse speed, and axial forces were utilized.
Mechanical properties of the weld joint are examined employing a tensile test,
and the maximum joint strength efficiency was reached 94.2%. Supervised Machine
Learning based Regression algorithms such as Decision Trees, Random Forest, and
Gradient Boosting Algorithm were used. The results showed that the Random
Forest algorithm yielded highest coefficient of determination value of 0.926
which means it gives a best fit in comparison to other algorithms.
- Abstract（参考訳）: 最大強度と重量比の基準は、重量減少が不可欠である事実上すべての地域で好奇心を惹きつけている。
軽量材料とその接合プロセスは、製造業における最近の研究要求のポイントでもある。
fswは、第3の材料(フィラーロッド)を添加することなく、親材の融点より下を接合することなく接合する最近の進歩の1つである。
このプロセスは、類似した異種金属、特にアルミニウム、銅、マグネシウム合金のような軽量な非鉄材料を接合するのに広く使われている。
本稿では, 溶接継手の機械的特性向上のための最適プロセスパラメータの検証を行った。
実験は5mm 6061アルミニウム合金板で行われた。
プロセスパラメータ, 工具材, 回転速度, 横速度, 軸力を利用した。
引張試験により溶接継手の機械的性質を調べたところ, 最大継手の強度効率は94.2%に達した。
教師付き機械学習ベースの回帰アルゴリズムとして、決定木、ランダムフォレスト、勾配ブースティングアルゴリズムが用いられた。
その結果、ランダムフォレストアルゴリズムは決定値の最大係数0.926となり、他のアルゴリズムと比較して最適であることがわかった。
関連論文リスト
- Unveiling Processing--Property Relationships in Laser Powder Bed Fusion: The Synergy of Machine Learning and High-throughput Experiments [0.0]
本稿では,高スループット実験と階層型機械学習(ML)の相乗効果を考慮した手法を提案する。
レーザー粉末層融合(LPBF)におけるプロセスパラメータの集合と選択された機械的特性(引張強度と延性)との複雑な関係を明らかにする。
本手法は材料非依存であり、17-4PHステンレス鋼への適用を実証する。
論文 参考訳（メタデータ） (2024-08-30T20:34:16Z) - SVFT: Parameter-Efficient Fine-Tuning with Singular Vectors [80.6043267994434]
既存の手法と根本的に異なる単純なアプローチであるSVFTを提案する。
SVFTは特異ベクトルの外積のスパース結合として(W)を更新し、これらのスパース結合の係数(スケール)のみを訓練する。
言語とビジョンベンチマークの実験では、SVFTは完全な微調整性能の96%を回復し、パラメータの0.006から0.25%しかトレーニングしていない。
論文 参考訳（メタデータ） (2024-05-30T01:27:43Z) - Mechanical Property Design of Bio-compatible Mg alloys using
Machine-Learning Algorithms [0.0]
マグネシウム合金は, 生体適合性, 腐食速度の制御, 硬さと密度の点で天然骨との類似性から, 一時的な生体適合剤として魅力的な選択肢である。
しかし、機械的強度の低いため、心臓血管ステントや骨代替品としての使用は妨げられる。
本研究では, 生体適合性マグネシウム合金の降伏強度(YS)を91%の精度で予測する機械学習モデルを開発した。
論文 参考訳（メタデータ） (2023-05-20T02:18:39Z) - Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。
このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
論文 参考訳（メタデータ） (2022-10-18T11:54:11Z) - Machine learning models for determination of weldbead shape parameters
for gas metal arc welded T-joints -- A comparative study [0.0]
溶接ビーズの形状は、接合部の質を評価する上で重要である。
本研究では,シールド鋼板の溶接ビーズ形状パラメータを予測するため,統計的設計と人工ニューラルネットワークに焦点を当てた。
論文 参考訳（メタデータ） (2022-06-06T06:11:22Z) - Performance Evaluation of Machine Learning-based Algorithm and Taguchi
Algorithm for the Determination of the Hardness Value of the Friction Stir
Welded AA 6262 Joints at a Nugget Zone [0.0]
本研究は, ハイブリッド最適化アルゴリズムを用いて, ゾーンにおける摩擦圧接溶接と最適硬度値を求める。
同様のAA 6262の材料がバットジョイント構成で使用、溶接された。
論文 参考訳（メタデータ） (2022-03-22T12:06:15Z) - Machine Learning Algorithms for Prediction of Penetration Depth and
Geometrical Analysis of Weld in Friction Stir Spot Welding Process [0.0]
この研究は、Supervised Machine Learningアルゴリズムを用いた浸透深度予測に基づいている。
AA1230アルミニウム合金の2要素を接合するためにFSSWを用いた。
ロバスト回帰機械学習アルゴリズムは0.96の判定係数によって残りのアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-01-21T17:16:25Z) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z) - Multi-objective simulation optimization of the adhesive bonding process
of materials [50.591267188664666]
このような接着プロセスの最適プロセスパラメータを見つけることは困難である。
本研究では,ガウス過程回帰とロジスティック回帰を用いてベイズ最適化を行った。
論文 参考訳（メタデータ） (2021-12-09T09:58:58Z) - Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic
Grasp Stability Metrics [70.65363356763598]
解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。
幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。
第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
論文 参考訳（メタデータ） (2021-09-23T09:20:19Z) - Classification of Spot-welded Joints in Laser Thermography Data using
Convolutional Neural Networks [52.661521064098416]
レーザサーモグラフィーデータから得られた画像を用いてスポット溶接の品質検査を行う手法を提案する。
我々は畳み込みニューラルネットワークを用いて溶接品質を分類し、異なるモデルの性能を互いに比較する。
論文 参考訳（メタデータ） (2020-10-24T20:38:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。