論文の概要: Machine learning based modelling and optimization in hard turning of AISI D6 steel with newly developed AlTiSiN coated carbide tool

• arxiv url: http://arxiv.org/abs/2202.00596v1
• Date: Sun, 30 Jan 2022 15:54:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 08:01:22.611519
• Title: Machine learning based modelling and optimization in hard turning of AISI D6 steel with newly developed AlTiSiN coated carbide tool
• Title（参考訳）: AlTiSiN被覆炭化物工具を用いたAISID6鋼のハードターンにおける機械学習によるモデリングと最適化
• Authors: A Das, S R Das, J P Panda, A Dey, K K Gajrani, N Somani, N Gupta
• Abstract要約: 新規に開発したAlTiSiN被覆炭化物を用いて, 乾燥切削条件下で加工を行った。 加工操作から収集したデータは、機械学習(ML)ベースの代理モデルの開発に使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent times Mechanical and Production industries are facing increasing challenges related to the shift toward sustainable manufacturing. In this article, machining was performed in dry cutting condition with a newly developed coated insert called AlTiSiN coated carbides coated through scalable pulsed power plasma technique in dry cutting condition and a dataset was generated for different machining parameters and output responses. The machining parameters are speed, feed, depth of cut and the output responses are surface roughness, cutting force, crater wear length, crater wear width, and flank wear. The data collected from the machining operation is used for the development of machine learning (ML) based surrogate models to test, evaluate and optimize various input machining parameters. Different ML approaches such as polynomial regression (PR), random forest (RF) regression, gradient boosted (GB) trees, and adaptive boosting (AB) based regression are used to model different output responses in the hard machining of AISI D6 steel. The surrogate models for different output responses are used to prepare a complex objective function for the germinal center algorithm-based optimization of the machining parameters of the hard turning operation.
• Abstract（参考訳）: 近年, 機械・製造産業は, 持続可能な製造への転換に伴う課題に直面している。 本稿では, スケーラブルなパルスパワープラズマでコーティングしたアルチシン被覆炭化物と呼ばれるコーティングインサートを用いて, 乾燥切削条件下で加工を行い, 異なる加工パラメータと出力応答のためのデータセットを作成した。 加工パラメータは、速度、供給量、切断深さ、出力応答は、表面粗さ、切削力、クレーター摩耗長さ、クレーター摩耗幅、側面摩耗である。 様々な入力加工パラメータをテスト、評価、最適化するための機械学習(ml)ベースのサロゲートモデルの開発には、加工操作から得られたデータを用いる。 AISI D6鋼の硬加工における異なる出力応答をモデル化するために, 多項式回帰(PR), ランダムフォレスト(RF)回帰, 勾配増進(GB)木, 適応増進(AB)ベース回帰などのML手法を用いた。 異なる出力応答に対するサロゲートモデルを用いて、ハードターン操作の加工パラメータの胚中心アルゴリズムに基づく最適化のための複雑な目的関数を作成する。

関連論文リスト

• Efficient Milling Quality Prediction with Explainable Machine Learning [9.623578875486183]
  本稿では,ミリングの表面粗さを予測するための機械学習(ML)手法を提案する。 主な貢献は、さまざまな粗さ値を正確に予測し、冗長なセンサーを識別するMLモデルの開発である。
  論文  参考訳（メタデータ） (2024-09-16T11:52:17Z)
• 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)
• Biomimetic Machine Learning approach for prediction of mechanical properties of Additive Friction Stir Deposited Aluminum alloys based walled structures [0.0]
  本研究は, バイオミメティック・機械学習を用いてAFSD(Additive Friction Stir deposited)アルミニウム合金壁構造の機械的特性を予測する新しい手法を提案する。 この研究は、AFSDプロセスの数値モデリングと遺伝的アルゴリズム最適化機械学習モデルを組み合わせて、von Misesストレスと対数ひずみを予測する。
  論文  参考訳（メタデータ） (2024-08-05T13:27:54Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Predicting Surface Texture in Steel Manufacturing at Speed [81.90215579427463]
  亜鉛めっきおよび熱間圧延過程における鋼板の表面テクスチャの制御は,顧客要求を満たすために不可欠である。 本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。
  論文  参考訳（メタデータ） (2023-01-20T12:11:03Z)
• T4PdM: a Deep Neural Network based on the Transformer Architecture for Fault Diagnosis of Rotating Machinery [0.0]
  本稿では,Transformerアーキテクチャの修正版であるT4PdMに基づいて,自動故障分類器モデルを構築した。 T4PdMは2つのデータセットの総合精度99.98%と98%を達成した。 回転する産業機械の故障の検出・分類におけるモデルの有用性を実証した。
  論文  参考訳（メタデータ） (2022-04-07T20:31:45Z)
• DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting [71.50844437057555]
  軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。 シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。 このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
  論文  参考訳（メタデータ） (2022-03-19T07:27:19Z)
• Modeling and Optimizing Laser-Induced Graphene [59.8912133964006]
  レーザ誘起グラフェンの生成の最適化を記述したデータセットを提供する。 提供するデータセットに基づいて,3つの課題を提起します。 興味のあるユーザにとっての出発点として、図解的な結果と、それらを生成するためのコードを提示します。
  論文  参考訳（メタデータ） (2021-07-29T18:08:24Z)
• Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
  ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。 現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。 そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:33:44Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。