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

A Coupled Artificial Neural Network-Genetic Algorithm (ANN-GA) Based Approach to Process Modeling and Optimization of Electrical Discharge Machining (EDM) Parameters

اعتبار موردنیاز: ۱ | تعداد صفحات: ۲۲ | تعداد نمایش خلاصه: ۱۹۸۶ | نظرات: ۰
سرفصل ارائه مقاله: ماشینکاری
سال انتشار: ۱۳۸۸
نوع ارائه: پوستر
کد COI مقاله: ICME10_009
زبان مقاله: انگلیسی
حجم فایل: ۱.۰۵ مگابات (فایل این مقاله در ۲۲ 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 ۲۲ 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 A Coupled Artificial Neural Network-Genetic Algorithm (ANN-GA) Based Approach to Process Modeling and Optimization of Electrical Discharge Machining (EDM) Parameters

S Assarzadeh - Ph.D. Student, Specific Machinings Laboratory (S.M.L.), Department of Mechanical Engineering, K.N. Toosi University of Technology, P.O. Box: 19395-1999, Tehran, Iran,
M Shamsi - B.Sc. Graduate, Mashhad Technical College, P.O. Box: 91735-171, Mashhad, Iran
M Ghoreishi - Associate Professor, Department of Mechanical Engineering, K. N. Toosi University of Technology,P.O. Box: 19395-1999, Tehran, Iran

چکیده مقاله:

In the present study, a unified coupled artificial neural network-genetic algorithm (ANNGA) based methodology is proposed for the modeling and optimal selection of process parameters involved in electrical discharge machining (EDM) process. Firstly, based onthe prior knowledge of the physics of process mechanism as well as the EDM machine characteristics, the controllable input variables were identified as the discharge current (I),pulse on-time (Ton) and pulse off-time (Toff). Having conducted a set of preliminary and screening experiments to specify the stable working domains of these inputs, a 43 full factorial design scheme was employed to plan the training experiments of the backpropagation neural network model. The experiments were done in the planing mode with both flat tool and work piece electrodes having equal diameters. Heat treated CK45 carbon steel up to 60 RC and commercial cupper were used as work piece and tool materials, respectively. Material removal rate (MRR) and surface roughness (Ra) were chosen as the response outputs. There-upon, a 3-8-6-2 size feed forward back propagation neural network was developed to establish the process model. Testing the generalization capabilities of the model by a set of new data not being used in the training phase, the second stage begins by combining the genetic algorithm technique with the neural model to find optimum machining conditions leading to the highest possible MRR.The multi-objective optimization problem was categorized as finishing (Ra ≤ 4μm), semifinishing (Ra ≤ 8μm), and roughing (Ra ≤ 12μm) regimes, from which a group of optimal input parameters were obtained in each case, satisfying the Ra constraint and yielding the maximum MRR, simultaneously. Finally, the modeling and traded-off selected optimal results were also interpreted and verified experimentally to validate the adopted approach. The observed errors are all in acceptable ranges (less than 10%) which show a good agreement with simulation results and confirm the feasibility and effectiveness of the implemented strategy.

کلیدواژه‌ها:

Electrical Discharge Machining (EDM), Back propagation neural network (BPNN), Genetic algorithm (GA), Process 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-ICME10-ICME10_009.html
کد COI مقاله: ICME10_009

نحوه استناد به مقاله:

برای بار اول: (Assarzadeh, S; M Shamsi & M Ghoreishi, ۱۳۸۸)
برای بار دوم به بعد: (Assarzadeh; Shamsi & Ghoreishi, ۱۳۸۸)
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 پیشنهادی مرتبط

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.