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

Modeling and Optimizing Powder Mixed Electrical Discharge Machining (PMEDM) Process using Neural Networks

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۱۳۲۶ | نظرات: ۰
سال انتشار: ۱۳۸۶
کد COI مقاله: ICME08_098
زبان مقاله: انگلیسی
حجم فایل: ۱۷۶.۸۸ کلیوبایت (فایل این مقاله در ۱۲ 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 ۱۲ 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 Modeling and Optimizing Powder Mixed Electrical Discharge Machining (PMEDM) Process using Neural Networks

S Assarzadeh - 1Mechanical Engineering Group, Islamic Azad University of Ghouchan, P.O. Box: 463,Ghouchan, Iran
M. Ghoreishi - 2Mechanical Engineering Department, Khajeh Nasir (K.N.) Toosi University of Technology

چکیده مقاله:

In this research, a newly integrated neural network based methodology is proposed for modeling and optimal selection of process variables involved in powder mixed EDM process. Three different kinds of fine abrasive powders, namely, copper (Cu: metal), aluminum oxide (Al2O3: metal oxide), and silicon carbide (SiC: combination of metal and non-metal), having the same particle concentration and size of 2.5-2.8 gr/lit and 45-50 μm, respectively, were added separately into the kerosene dielectric liquid. To compare and investigate the effects caused by every powder of differently thermophysical properties on the EDM process performance with each other as well as the pure case, a series of experiments were conducted on a specially designed experimental setup developed in the laboratory. Discharge current (I), pulse period (T) and source voltage (V) were selected as the independent input parameters to evaluate the process performance in terms of material removal rate (MRR) and surface roughness (Ra). Generally, of the studied additives, Al2O3 produces the greatest MRR, esp., in high currents and low pulse periods, followed by SiC, with Cu powders producing the smallest. A 3-6-4-2 size feed-forward neural network with back-propagation (BP) learning algorithm is then developed to establish the process model of the best selected Al2O3 powder mixed EDM. Training and testing of the neural model are carried out using experimental data. Having established the process model, a second network, parallelizing the augmented Lagrange multiplier (ALM) algorithm, determines the corresponding optimal input parameters by maximizing MRR subject to appropriate operating and prescribed surface roughness constraints. The optimization procedure is implemented in each level of machining regimes (finishing, semi-finishing and roughing) and the obtained optimum machining parameters settings are also verified experimentally.

کلیدواژه‌ها:

Powder mixed EDM (PMEDM), Back-propagation (BP) neural network,Augmented Lagrange multiplier (ALM) algorithm, Modeling, Optimization

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-ICME08-ICME08_098.html
کد COI مقاله: ICME08_098

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, ۱۳۸۶, Modeling and Optimizing Powder Mixed Electrical Discharge Machining (PMEDM) Process using Neural Networks, دومین کنفرانس بین المللی و هشتمین کنفرانس ملی مهندسی ساخت و تولید, تهران, دانشگاه علم و صنعت, http://www.civilica.com/Paper-ICME08-ICME08_098.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, ۱۳۸۶)
برای بار دوم به بعد: (Assarzadeh & Ghoreishi, ۱۳۸۶)
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.