KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2006 / Cilt: 21 - Sayı: 4

GENETİK PROGRAMLAMA İLE İMALAT İÇİN YÜZEY PÜRÜZLÜLÜK MODELİ GELİŞTİRİLMESİ

Cevdet GÖLOĞLU
Yenal ARSLAN
Sayfa
0
Yayın Tarihi
2013-04-02
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Modelleme için hazırlanan GP yazılımı mü­hen­dislik alanında cevabın bilindiği fakat sorunun bilinmediği ters problemlere kolaylıkla uygulama şansına sahiptir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Talaşlı imalatta cep imali için kullanılan farklı kesici yollarından birisi de spiral takım yoludur.
📊
Temel Bulgular & Veri:Takım yolu ve kesme parametrelerinin doğru seçimi imalat süresini, talaş kaldırılan yüzeyin durumunu ve doğrudan maliyeti etkilemektedir.
💡
Sonuç & Katkı:Modelleme için hazırlanan GP yazılımı mü­hen­dislik alanında cevabın bilindiği fakat sorunun bilinmediği ters problemlere kolaylıkla uygulama şansına sahiptir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Genetik programlama · yüzey pürüzlülük · cep işleme

Özet

Talaşlı imalatta cep imali için kullanılan farklı kesici yollarından birisi de spiral takım yoludur. Takım yolu ve kesme parametrelerinin doğru seçimi imalat süresini, talaş kaldırılan yüzeyin durumunu ve doğrudan maliyeti etkilemektedir. Farklı kesme parametreleri; iş mili devri, ilerleme, talaş derinliği ve kesici yanal ilerlemesi ile spiral takım yolu kullanarak cep imalatı sonrası elde edilebilecek yüzey pürüzlülüğü Genetik Programlama (GP) ile modellenmiştir. İlgili malzeme ve kesme koşullarına göre elde edilen gerçek kesme verilerinden öğrenme ve doğrulama veri setleri düzenlenmiştir. Farklı genetik işlemci değerleri ile farklı deneyler yapılmış ve geliştirilen modeller ışığında %98 başarım değerinde bir yüzey pürüzlülük modeli elde edilmiştir. Elde edilen sonuçlar, GP yaklaşımının başarılı modeller ürettiğini göstermiştir. GP kullanılarak farklı malzeme ve kesme parametrelerine göre modellerin geliştirilmesi imalata önemli katkı sağlayacaktır. Modelleme için hazırlanan GP yazılımı mü­hen­dislik alanında cevabın bilindiği fakat sorunun bilinmediği ters problemlere kolaylıkla uygulama şansına sahiptir.

🔖

Bu Makaleye Atıf Yap

GÖLOĞLU, C., ARSLAN, Y. (2013). GENETİK PROGRAMLAMA İLE İMALAT İÇİN YÜZEY PÜRÜZLÜLÜK MODELİ GELİŞTİRİLMESİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 21 - Sayı: 4, 0. https://ajindex.com/articles/21170

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Koza, J., Genetic Programming: On the Programming of Computers by means of Natural Selection, The MIT Press, USA, 1992.
  2. Koza, J., Genetic Programming II: Automatic Discovery of Reusable Programs. MIT Press,
  3. Cambridge, MA, USA, 1994.
  4. Lou, S.M., Chen, C.J., Li, M.C., “Surface Roughness Prediction Technique for CNC End-Milling”, Journal of Industrial Technology, Cilt 15, No 1, 1-6, 1988.
  5. Benardos, P.G., Vosniakos, G.C., “Predicting Surface Roughness in Machining: A Review”, International Journal of Machine Tools & Manufacture, Cilt 43, 833–844, 2003.
  6. Arbizu, I.P., Pérez, C.J.L., “Surface Roughness Prediction by Factorial Design of Experiments in Turning Processes”, Journal of Materials Proc-ess¬ing Technology, Cilt 143–144, 390–396, 2003.
  7. Suresh, P.V.S., Rao, P.V., Deshmukh, S.G., “A Genetic Algorithmic Approach for Optimization of Surface Roughness Prediction Model”, Interna¬tional Journal of Machine Tools & Manufacture, Cilt 42, 675–680, 2002.
  8. Lo, S.P., “An Adaptive-Network Based Fuzzy Inference System for Prediction of Workpiece Surface Roughness in End Milling”, Journal of Materials Processing Technology, Cilt 142, 665–675, 2003.
  9. Jiao, Y., Lei, S., Pei. Z.J., Lee, E.S., “Fuzzy Adaptive Networks in Machining Process Modelling: Surface Roughness Prediction for Turning Operations”, International Journal of Machine Tools & Manufacture, Cilt 44, 1643–1651, 2004.
  10. Kapishnikov, A., “Optimization of Technical Rules on the Basis of Intelligent Hybrid Systems”, Scientific Proceedings of Riga Technical University, Information Technology and Management Science, Latvia. 2002.
  11. Giles, C.L., Lawrence, S. and Tsoi, A.C., “Noisy Time Series Prediction Using A Recurrent Neural Network and Grammatical Interface”, Machine Learning, Cilt 44, No.1-2, 161-183, 2001.
  12. Toropov, V.V. and Alvarez, L.F. “Approximation Model Building for Design Optimization Using Genetic Programming Methodology”, AIAA / USAF / NASA / ISSMO Symposium on Multidisciplinary Analysis and Optimization, St. Louis, USA, 1998.
  13. Nastran, M. and Balic, J., “Prediction of Metal Wire Behaviour Using Genetic Programming”, Journal of Materials Technology, Cilt 122, 368-373, 2002.
  14. Milfelner, M., Kopac, J., Cus, F. and Zuperl, U., “Genetic Equation for the Cutting Force in Ball-End Milling”, Journal of Materials Processing Technology, Cilt 164-165, 1554-1560, 2005.
  15. Langdon, W.B. and Poli, R., Foundations of Genetic Programming, Springer-Verlag, Berlin, Germany, 2002.
  16. Fujiki, C. and Dickinson, J., “Using the Genetic Algor