Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, Ti6AI7Nb alaşımının mikro frezelenmesi sürecinde kesme kuvvetinin yüksek doğrulukla tahmin edilmesine yönelik yeni bir hibrit derin sinir ağı modeli önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Titanyum alaşımları, yüksek mukavemet-ağırlık oranları, korozyon dirençleri ve biyouyumlulukları sayesinde havacılıktan savunmaya, biyomedikalden uzay teknolojilerine kadar pek çok kritik alanda vazgeçilmez malzemeler haline gelmiştir. Ancak bu alaşımlar, düşük ısıl iletkenlik ve yüksek kimyasal reaktivite gibi özellikleri nedeniyle işlenmesi güç malzemeler olarak bilinmektedir. Bu durum, özellikle, kesme kuvveti, takım ömrünü, boyutsal hassasiyeti ve iş parçası bütünlüğünü doğrudan etkileyen temel bir parametre olmasından dolayı kesme kuvvetinin doğru tahmin edilmesini hem teknik açıdan zorlaştırmakta hem de süreç güvenilirliği açısından zorunlu kılmaktadır. Bu çalışmada, Ti6AI7Nb alaşımının mikro frezelenmesi sürecinde kesme kuvvetinin yüksek doğrulukla tahmin edilmesine yönelik yeni bir hibrit derin sinir ağı modeli önerilmektedir. Önerilen modelde, evrişimli sinir ağı katmanı ile veriden anlamlı yerel özellikler otomatik olarak çıkarılırken, bu katmana paralel olarak konumlandırılan tam bağlantılı katmanlarda karmaşık ilişkileri ve küresel bilgileri çıkarmak üzere entegre edilmiştir. Önerilen model ve güncel yöntemlerin eğitimi ve testi için kısıtlı olan gerçek deneysel veriler, veri artırma tekniğiyle çoğaltılarak sentetik veriler üretilmiştir. Gerçekleştirilen kapsamlı analizlerde, önerilen paralel hibrit derin öğrenme modelinin kesme kuvveti tahmininde %97.13 R² skoru ile geleneksel makine öğrenmesi yöntemlerinden daha yüksek performans sergilediği ortaya koyulmuştur.
Abstract
Titanium alloys have become indispensable materials in many critical fields, ranging from aerospace and defense to biomedical applications and space technologies, owing to their high strength-to-weight ratio, corrosion resistance, and biocompatibility. However, these alloys are widely recognized as difficult-to-machine materials due to their inherently low thermal conductivity and high chemical reactivity. This characteristic makes the accurate prediction of cutting forces both technically challenging and practically essential, as cutting force is a fundamental parameter that directly influences tool life, dimensional accuracy, and workpiece integrity. In this study, a new parallel hybrid deep learning model is proposed for high-accuracy cutting force prediction in the micro-milling of Ti6Al7Nb alloy. In the proposed model, a convolutional neural network branch automatically extracts meaningful local features from the data, while a fully connected branch, positioned in parallel, is integrated to capture complex relationships and global information simultaneously. To address the scarcity of real experimental data required for training and testing the proposed model alongside state-of-the-art methods, a data augmentation technique was applied to generate statistically consistent synthetic samples. The comprehensive analyses conducted in this study demonstrate that the proposed parallel hybrid deep learning model achieves an R² score of 97.13% in cutting force prediction, outperforming conventional machine learning methods by a significant margin.