Artificial Intelligence - هوش مصنوعی

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)
-   الگوريتم بهينه سازي فاخته (Cuckoo Optimization Algorithm) (http://artificial.ir/intelligence/forum133.html)
-   -   مقاله: استفاده از انفيس و الگوريتم بهينه سازي فاخته جهت آناليز فرايند ماشينكاري (http://artificial.ir/intelligence/thread12437.html)

ramin4251 ۱۰-۹-۱۳۹۲ ۰۶:۰۱ بعد از ظهر

مقاله: استفاده از انفيس و الگوريتم بهينه سازي فاخته جهت آناليز فرايند ماشينكاري
 
مقاله: استفاده از انفيس و الگوريتم بهينه سازي فاخته جهت آناليز فرايند ماشينكاري


چكيده:
فرايند ماشينكاري الكنروشيميايي (ECM) بدليل برخي مزاياي خاص كه در عمليات ماشينكاري مي توان بخوبي از آن بهره جست، داراي اهميت روزافزوني شده است. اين روش داراي مزايايي همچون نرخ ماشينكاري بالا، كنترل و دقت بهتر و محدوده گسترده تر مواد قابل ماشينكاري است. در نظر گرفتن تعداد زيادي پارامتر در فرايند باعث مي شود تا پيش بيني و انتخاب مقادير بهينه بسيار سخت گردد. مخصوصا هنگامي كه فرايند براي ماشينكاري مواد سخت برنامه ريزي مي شود.
در كار حاضر جهت بررسي اثرات غلظت الكتروليت، نرخ جريان الكتروليت، ولتاژ اعمالي و نرخ تغذيه بر درصد حذف مواد (MRR) و سختي سطح (SR) از شبكه عصبي نروفازي انفيس استفاده شده است تا بر اساس مشاهدات تجربي مدلهاي پيش بين توليد شوند. سپس سطوح سه بعدي انفيس جهت آناليز تاثير پارامترهاي فرايند روي MRRو SRرسم شده اند. در نهايت الگوريتم بهينه سازي فاخته (COA) براي انتخاب راح حل هايي كه با آنها، فرايند به ماكزيمم درصد حذف مواد و به طور همزمان به كمترين مقدار سختي سطح مي رسد استفاده شده است.
نتايج نشان ميدهد كه روش انفيس برتري واضحي در مدلسازي MRRو SRدارد. همچنين نتايج حاصل شده ااز اعمال COAبا نتايج روشهاي تجربي جهت اثبات قابليت استفاده و بهينه سازي كارايي فرايند ECMمقايسه شده است.
اين مقاله در سال 2013، در ژورنال Frontiers of Mechanical Engineeringاز Springerچاپ شده است.

دانلود فايل مقاله


با سپاس
رامين رجبيون


زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۲:۳۹ قبل از ظهر ميباشد.

Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2025, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.