پيش‌بيني زبري سطح در فرزكاري آلياژهاي آلومينيوم با استفاده از شبكه فازي عصبي همراه با روش‌هاي يادگيري فرا ابتكاري

با توجه به اهميت زبري سطح در قطعات ماشينكاري شده، بايد با انتخاب پارامترهاي صحيح برشي و غير برشي، پيش بيني و بهينه سازي آن را تحقق بخشيد. يكي از روش‌ هاي استفاده شده در اين حوزه پيش ‌بيني زبري سطح با روش ‌هاي سنتي بوده است و از روش‌ هاي فراابتكاري كمتر استفاده شده است. در نتيجه در اين تحقيق، با استفاده از الگوريتم‌ هاي هوش مصنوعي و به صورت خاص‌ تر با استفاده از الگوريتم شبكه عصبي فازي و همچنين الگوريتم تركيبي شبكه عصبي فازي مبتني بر ژنتيك، بر روي داده‌ هاي بدست آمده مدلي ايجاد مي‌ گردد كه بتواند پيش‌ بيني يك خروجي خاص (به طور مثال زبري سطح) را انجام دهد. در مجموع از داده ‌هاي 162 آزمايش براي سه آلياژ آلومينيوم 7075، 6061 و 2024 استفاده شد كه شامل سرعت برشي، عمق برش، نوع پوشش ابزار، نرخ پيشروي ابزار و خروجي زبري سطح مي ‌باشد. ورودي پنجمي نيز كه مبين خواص مكانيكي مواد از جمله استحكام كششي، مقاومت برشي و سختي مي باشد استفاده گرديد و مدل ‌سازي به صورت يكپارچه براي هر سه آلياژ انجام گرديد. در اين پژوهش داده ‌هاي دو نوع از سه نوع آلياژ موجود به عنوان داده آموزش و سومي براي داده تست استفاده شد. شبيه‌ سازي انجام شده روي داده‌ ها با استفاده از معيارهاي رگرسيون (R) و مجذور ميانگين مربعات خطا (RMSE) مورد ارزيابي قرار گرفت. دقيق ترين نتيجه از بين دو روش ANFIS (سيستم استنتاجي فازي-عصبي تطبيقي) و ANFIS-GA (مدل تركيبي سيستم استنتاجي فازي-عصبي تطبيقي همراه با الگوريتم ژنتيك) با رگرسيون 0.838 براي زبري سطح براي داده هاي تست بدست آمد.