پیش بینی زبری سطح در فرزکاری آلیاژهای آلومینیوم با استفاده از شبکه فازی عصبی همراه با روش های یادگیری فرا ابتکاری

با توجه به اهمیت زبری سطح در قطعات ماشینکاری شده، باید با انتخاب پارامترهای صحیح برشی و غیر برشی، پیش بینی و بهینه سازی آن را تحقق بخشید. یکی از روش های استفاده شده در این حوزه پیش بینی زبری سطح با روش های سنتی بوده است و از روش های فراابتکاری کمتر استفاده شده است. در نتیجه در این تحقیق، با استفاده از الگوریتم های هوش مصنوعی و به صورت خاص تر با استفاده از الگوریتم شبکه عصبی فازی و همچنین الگوریتم ترکیبی شبکه عصبی فازی مبتنی بر ژنتیک، بر روی داده های بدست آمده مدلی ایجاد می گردد که بتواند پیش بینی یک خروجی خاص (به طور مثال زبری سطح) را انجام دهد. در مجموع از داده های 162 آزمایش برای سه آلیاژ آلومینیوم 7075، 6061 و 2024 استفاده شد که شامل سرعت برشی، عمق برش، نوع پوشش ابزار، نرخ پیشروی ابزار و خروجی زبری سطح می باشد. ورودی پنجمی نیز که مبین خواص مکانیکی مواد از جمله استحکام کششی، مقاومت برشی و سختی می باشد استفاده گردید و مدل سازی به صورت یکپارچه برای هر سه آلیاژ انجام گردید. در این پژوهش داده های دو نوع از سه نوع آلیاژ موجود به عنوان داده آموزش و سومی برای داده تست استفاده شد. شبیه سازی انجام شده روی داده ها با استفاده از معیارهای رگرسیون (R) و مجذور میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. دقیق ترین نتیجه از بین دو روش ANFIS (سیستم استنتاجی فازی-عصبی تطبیقی) و ANFIS-GA (مدل ترکیبی سیستم استنتاجی فازی-عصبی تطبیقی همراه با الگوریتم ژنتیک) با رگرسیون 838/0 برای زبری سطح برای داده های تست بدست آمد.