%34تخفیف
چکیده
مدلسازي زبري سطح(RA )و نرخ برداشت براده برداري(MRR )در ماشينكاري تخليه الكتريكي ((EDM) باشبکه عصبی- فازی و بهينهسازي آن بااستفاده ازالگوریتم ژنتیک
تعداد91 صفحه درword
مدلسازي زبري سطح(RA )و نرخ برداشت براده برداري(MRR )در ماشينكاري تخليه الكتريكي ((EDM) باشبکه عصبی- فازی و بهينهسازي آن بااستفاده ازالگوریتم ژنتیک
چکیده
یکی ازویژگی های مهم یک شبکهعصبی، قدرت تعمیم آن وبه عبارت دیگراجتناب ازپدیده نامطلوب تطبیق بیش ازحد محلی می باشد وقتی این پدیده رخ می دهد خطای شبکه برای داده های آموزش ناچیز ولی برای داده های جدید زیاد است، درصورتی که درشبکه عصبی –فازی، محدوده تابععضويتتوليدكنندهمجموعههايفازيتعيينميشود که مجموعه قوانین فازی و سیستم استنتاج فازی قلب، سیستم موردنظر ما را تشکیل داده و توسط شبکه عصبی اموزش داده میگردد.فرایند ماشینکاری تخلیه الکتریکی یکی از روشهاي پیشرفتۀ براده بـرداري اسـت کـه در آنولتاژ پالسی و منقطع برقرار شده بین دو الکترود ابزار و قطعه کـار (کـههر دو در سیالی به نام دي الکتریک غوطه ورند) باعث ایجـاد جرقـه درنزدیک ترین نقطه در حد فاصل بـین آنهـا گردیـده و هـر جرقـه جـزءکوچکی از ماده سطح قطعه کار را جدا می کند و در نهایت بعد از تعداد زیادي جرقه شکل مکمل پیشانی ابزار در روي قطعه کار حک می گردددر چند دهه اخیر جهت ماشینکاري مواد سـخت کـه ماشـینکاري آنهـاتوسط روشهاي سنتی مشکل است، فراینـدماشینکاری تخلیه ااکتریکی بـه عنـوان مناسـبترین فرایند پیشنهاد و به کار گرفته شده است. تنگستن کارباید (WC-10%Co) ماده اي بسیار سخت ((1300-1800 HV است که درصنایع قالب سازي و سـاخت ابزارهـاي برشـی و ابزارهـايماشینکاری تخلیه ااکتریکی در مقیـاسمیکرو و نانو بطور وسیعی مورد استفاده قرار مـی گیـرد. در سـال هـاياخیر جهت مدلسازي و بهینه سازي فرایندماشینکاری تخلیه ااکتریکی بطور وسیعی از هوش مصنوعی استفاده شده اسـت .مدل سازی کلاسیکاز نخستین قدم خطای بزرگی مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی)قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرکز و پراکندگی است که به این ترتیب اهمیت فردی تک تک داده ها از بین می رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود.و برای اغلب مساله های مهندسی با ویژگیهای گوناگون و روابط غیرخطی قابل استفاده نمی باشد. در این تحقیق مدلی برمبنای داده های آزمایشگاهی موجود، جهت شبیه سازی پارامترهای زبری سطح و نرخ برداشت براده برداری توسط شبکه عصبی-فازی ارائه گردیده است و بهینه سازی توسط الگوریتم ژنتیک صورت گرفته است.
واژه های کلیدی: ماشینکاری تخلیه الکتریکی، شبکه عصبی- فازی، بیهنه سازی، الگوریتم ژنتیک
اولین کسی باشید که دیدگاهی می نویسد “مدلسازي زبري سطح(RA )و نرخ برداشت براده برداري(MRR )در ماشينكاري تخليه الكتريكي ((EDM) باشبکه عصبی- فازی و بهينهسازي آن بااستفاده ازالگوریتم ژنتیک” لغو پاسخ
نقد و بررسیها
هنوز بررسیای ثبت نشده است.