فهرست نشریات علمی دسترسی آزاد ایران

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 روش‌­های استفاده شده در این حوزه پیش­‌بینی زبری سطح با روش­‌های سنتی بوده است و از روش‌­های فراابتکاری کمتر استفاده شده است. در نتیجه در این تحقیق، با استفاده از الگوریتم‌­های هوش مصنوعی و به صورت خاص‌­تر با استفاده از الگوریتم شبکه عصبی فازی و همچنین الگوریتم ترکیبی شبکه عصبی فازی مبتنی بر ژنتیک، بر روی داده‌­های بدست آمده مدلی ایجاد می‌­گردد که بتواند پیش‌­بینی یک خروجی خاص (به طور مثال زبری سطح) را انجام دهد. در مجموع از داده­‌های 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 می­‌باشد. ورودی پنجمی نیز که مبین خواص مکانیکی مواد از جمله استحکام کششی، مقاومت برشی و سختی می­باشد استفاده گردید و مدل­‌سازی به صورت یکپارچه برای هر سه آلیاژ انجام گردید. در این پژوهش داده­‌های دو نوع از سه نوع آلیاژ موجود به عنوان داده آموزش و سومی برای داده تست استفاده شد. شبیه‌­سازی انجام شده روی داده‌­ها با استفاده از معیارهای رگرسیون (R) و مجذور میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. دقیق­ترین 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 داده­های تست بدست آمد.