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
- A hybrid machine learning framework for clad characteristics prediction
in metal additive manufacturing [0.0]
金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。
MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。
機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
論文 参考訳(メタデータ) (2023-07-04T18:32:41Z) - 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) - Differential Property Prediction: A Machine Learning Approach to
Experimental Design in Advanced Manufacturing [2.905624971705889]
機械学習フレームワークである差分特性分類(DPC)を提案する。
DPCは2つの可能な実験パラメータ集合を持ち、演算子によって指定されたより望ましい特性を持つ材料を生成する予測を出力する。
実験者は,複数の候補となる実験パラメータを選択する必要があることに注目することにより,材料特性を処理パラメータから予測する困難な回帰タスクを,機械学習モデルが優れた性能を達成できる分類タスクに再編成できることを示す。
論文 参考訳(メタデータ) (2021-12-03T02:51:15Z) - Surrogate Modelling for Injection Molding Processes using Machine
Learning [0.23090185577016442]
射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。
モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。
我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
論文 参考訳(メタデータ) (2021-07-30T12:13:52Z) - 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) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳(メタデータ) (2021-04-05T00:02:36Z) - 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。