CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Electro-Discharge Machining (EDM) Process Optimization Using Neural Networks

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۳۳۴ | نظرات: ۰
سال انتشار: ۱۳۸۴
کد COI مقاله: ICME07_035
زبان مقاله: انگلیسی
حجم فایل: ۶۷.۲۱ کلیوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Electro-Discharge Machining (EDM) Process Optimization Using Neural Networks

S Assarzadeh - M.S. Graduate, Mechanical Engineering Department, K.N. Toosi University of Technology.
M Ghoreishi - Assistant Professor, Mechanical Engineering Department, K.N. Toosi University of Technology

چکیده مقاله:

In this paper an integrated approach is presented for modeling and optimal selection of input parameters of electro-discharge machining (EDM) process. First, a multilayered feed forward network-based back-propagation (BP) learning algorithm with three inputs, two outputs and one hidden layer has been developed to establish the process model. The inputs are current (I), period of pulse (T) and source voltage (V) as independent process variables and the outputs are material removal rate (MRR) and surface roughness (Ra) as performance characteristics. Training and testing of the network were carried out using experimental data. The results indicate that the neural model predicts process outputs with reasonable accuracy under varying input machining conditions. Once the process model is established, a second network, which parallelizes the augmented Lagrange multiplier (ALM) algorithm, determines the corresponding optimal input parameters by maximizing the material removal rate subject to appropriate operating and prescribed surface roughness constraints. The optimization procedure is implemented in each level of machining regimes such as finishing, semi-finishing and roughing, from which the optimum machining parameter settings are obtained. Simulation results validate the feasibility and effectiveness of this approach, and show a good agreement with theoretical considerations and experimental results for a wide range of machining conditions.

کلیدواژه‌ها:

Electro-discharge machining (EDM), Artificial neural network (ANN),Back-propagation (BP), Augmented Lagrange multiplier (ALM) algorithm, Process modeling, Optimal machining conditions.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
http://www.civilica.com/Paper-ICME07-ICME07_035.html
کد COI مقاله: ICME07_035

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Assarzadeh, S & M Ghoreishi, ۱۳۸۴, Electro-Discharge Machining (EDM) Process Optimization Using Neural Networks, اولین کنفرانس بین المللی و هفتمین کنفرانس ملی مهندسی ساخت و تولید, تهران, دانشگاه تربیت مدرس, http://www.civilica.com/Paper-ICME07-ICME07_035.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Assarzadeh, S & M Ghoreishi, ۱۳۸۴)
برای بار دوم به بعد: (Assarzadeh & Ghoreishi, ۱۳۸۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.