BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,753,730
  • Công bố khoa học và công nghệ Việt Nam

59

Chế tạo máy công cụ

BB

Trần Công Chi(1)

Ứng dụng hệ thống mạng nơ ron thích nghi mờ để dự đoán độ nhám bề mặt khi tiện thép AISI 304

Application of adaptive neuro-fuzzy inference system for predicting surface roughness in turning aisi 304 steel

Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng

2025

2

88-92

1859-1531

Độ nhám bề mặt, Mạng nơ ron thích nghi mờ (ANFIS), Mô hình dự báo, Tiện, Thép AISI 304

Surface roughness, Adaptive Neuro-Fuzzy Inference System (ANFIS), predicting model, turning, AISI 304 steel

Nghiên cứu này xem xét ảnh hưởng của ba thông số khi tiện là chiều sâu cắt (t), lượng chạy dao (f) và tốc độ cắt (n) đối với độ nhám bề mặt (Ra), đồng thời phát triển một mô hình dự báo khi gia công thép AISI 304 bằng hệ thống mạng nơ ron thích nghi mờ (ANFIS). Kết quả phân tích ANOVA cho thấy, cả ba thông số cắt đều có tác động đáng kể đến Ra, trong đó tham số f có ảnh hưởng mạnh nhất, nhấn mạnh vai trò của nó trong việc kiểm soát độ nhám bề mặt. Mô hình dự đoán ANFIS được phát triển thông qua hai phương pháp đào tạo Hybrid và Backpropagation tương ứng với tám hàm thuộc khác nhau. Kết quả cho thấy, mô hình đào tạo Hybrid sử dụng hàm thuộc Gaussmf đạt hệ số xác định R² cao nhất là 0,986081 và căn bậc hai của sai số bình phương trung bình (RMSE) thấp nhất là 0,013055. Những kết quả này chứng minh rằng, mô hình ANFIS có khả năng dự đoán Ra một cách tương đối chính xác dựa trên các thông số gia công.

This study examines the influence of three turning parameters: cutting depth (t), feed rate (f), and cutting speed (n) on Ra, while also developing a predictive model for machining AISI 304 steel using Adaptive Neuro-Fuzzy Inference System (ANFIS). The results of the ANOVA analysis indicate that, all three cutting parameters have a significant impact on Ra, with the feed rate (f) having the most effective influence, emphasizing the role of f in controlling surface roughness. The ANFIS predictive model was developed using two training methods, Hybrid and Backpropagation, corresponding to eight different membership functions. The results show that the Hybrid training model using the Gaussmf membership function achieved the highest coefficient of determination (R²) of 0.986081 and the lowest root mean square error (RMSE) of 0.013055. These results demonstrate that, the ANFIS model can predict Ra with relatively high accuracy based on the machining parameters.

TTKHCNQG, CVv 465

Xem toàn văn