مدل‌سازي و بهينه‌سازي نيروي ماشينكاري و زبري سطح در فرايند فرزكاري سوپر آلياژ اينكونل 738 با كمك شبكه عصبي و الگوريتم ژنتيك

Modeling and optimization of cutting force and surface roughness in the milling process of Inconel 738 by Neural Network and Genetic Algorithm

فرزكاري يكي از مهم‌ترين و متداول‌ترين روش‌هاي براده‌برداري بوده و از ديرباز مطالعات زيادي بر روي آن انجام شده است. ضرورت مطالعه ماشين كاري سوپر آلياژهاي پايه نيكل به علت استحكام بالا و كاربردهاي مختلفي كه در صنايع هوا فضا، نيروگاهي و... دارند همچنان احساس مي‌گردد. نيروي ماشين كاري و زبري سطح بدست آمده دو پارامتر مهم قابليت ماشين كاري سوپرآلياژها هستند كه بدليل اهميت بالاي آن مورد مطالعه قرار گرفته است. در اين پژوهش نيز براي به‌منظور بررسي زبري سطح اينكونل 738 در فرايند فرزكاري پرداخته شده و جهت بدست آوردن پارامترهاي بهينه پس از مدل سازي و پيش بيني اثر پارامترهاي ورودي بر زبري سطح، بهينه سازي پارامترها جهت رسيدن به حداقل زبري صورت گرفته است. بدين منظور چهار پارامتر سرعت برشي، پيشروي، عمق برش محوري و وجود يا عدم وجود خنك كننده به عنوان متغيرهاي تحقيق در نظر گرفته شده است. سرعت برشي و پيشروي هر يك در چهار سطح و عمق برش محوري و خنك كننده در دو سطح انتخاب گرديده، در مجموع 64 آزمايش بصورت فاكتوريل كامل انجام و مورد مطالعه قرار گرفت. از شبكه عصبي و الگوريتم ژنتيك به ترتيب جهت پيش‌بيني و بهينه‌سازي پارامترهاي ماشين كاري بهره گرفته شد. از مدل بدست آمده براي بررسي تاثير پارامترهاي مختلف و پيش‌بيني پارامترهاي بهينه فرزكاري جهت بدست آوردن نيرو و صافي سطح مطلوب استفاده گرديد. مقايسه نتايج حاصل از مدل شبكه عصبي و نتايج تجربي نشان دهنده پيش بيني با دقت 97 درصد مدل‌سازي شبكه و همچنين دقت بالاي بهينه‌سازي مي باشد.

Milling is an important and conventional method of metal Cutting, in which many studies have been fulfilled so far. Study of machining the nickel-based superalloys is felt to be essential due to their high strength and various applications in the power plants, aerospace industries etc. Cutting force and surface roughness are two of the important factors in machinability that due to the high importance of it, has been studied. In this article, the influence of four parameters of machining nickel-based superalloys, namely, cutting speed, feed rate, depth of cut and presence or absence of cooling as research inputs on the milling of Inconel 738 were investigated. In total, 64 experiments have been completed as full factorial design. By measuring cutting forces and surface roughness of the samples after the milling process, the obtained models were utilized to predict the effect of various above parameters, to optimize the milling parameters and to obtain the desired surface finish. In addition, the artificial intelligence techniques such as neural network and genetic algorithm were employed to predict the output parameter and to find the optimum milling parameters. The comparison of the experimental and predicted results shows the success of the modeling with 97 percent accuracy and a precise optimization.