فهرست نشریات علمی دسترسی آزاد ایران

کیفیت سطح قطعات به‌طور مستقیم بر عملکرد و طول عمر آن‌ها تأثیر می‌گذارد. فرایندهای ماشین‌کاری متداول، به‌ویژه در شرایطی که زبری سطح بالا و تنش‌های کششی ایجاد می‌شود، قادر به تضمین کیفیت نهایی سطح نیستند. در نتیجه، استفاده از روش‌های اصلاح سطح مانند بال‌برنیشینگ عمیق (DBB) برای بهبود کیفیت سطح ضروری است. در این مطالعه، اثر هم‌زمان پارامترهای مؤثر در DBB شامل قطر گوی، عمق نفوذ و نرخ پیشروی بر شاخص‌های کیفیت سطح؛ Ra، Rz و میکروسختی سطح، مورد تحلیل قرار گرفت. با استفاده از مدل‌های پیشرفته یادگیری ماشین، به‌ویژه مدل SVR، پیش‌بینی دقیقی از این شاخص‌ها انجام شد. مدل SVR با R² برابر با 0.925، 0.942 و 0.91 به‌ترتیب برای Ra، Rz و میکروسختی، بهترین عملکرد را از خود نشان داد. همچنین مدل XGBoost نیز نتایج قابل قبولی داشت، اما دقت آن در مقایسه با مدل SVR پایین‌تر بود. به‌کارگیری نمودارهای وابستگی جزئی، امکان ارزیابی کمّی اثرات نسبی پارامترهای ورودی را فراهم کرد، به‌گونه‌ای که عمق نفوذ برنیشینگ به‌عنوان پارامتر غالب در تمامی خروجی‌ها شناسایی شد و در حدود 41 تا 47 درصد از تغییرات پیش‌بینی‌شده کیفیت سطح را به خود اختصاص داد. با این حال، قطر گوی و نرخ پیشروی نیز با سهم‌های قابل‌توجه، هر یک در بازه‌ای حدود 23 تا 30 درصد، تأثیر معناداری بر پارامترهای کیفیت سطح نشان دادند که بیانگر نقش غیرقابل‌چشم‌پوشی آن‌ها در تنظیم و بهینه‌سازی فرایند DBB است. در مجموع، این مطالعه یک رویکرد نوین با استفاده از مدل‌های یادگیری ماشین برای تحلیل و بهینه‌سازی فرایند DBB و بهبود کیفیت سطح ارائه می‌دهد.