The Effect of Artificial Neural Network Architecture on Surface Roughness Parameter Prediction Capability when Turning Inconel 718

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F44555601%3A13420%2F16%3A43888266" target="_blank" >RIV/44555601:13420/16:43888266 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

The Effect of Artificial Neural Network Architecture on Surface Roughness Parameter Prediction Capability when Turning Inconel 718

Popis výsledku v původním jazyce

This paper investigates the influence of Artificial Neural Network (ANN) architectures on its prediction capability when machining nickel based super alloy. The ANN was employed to determine surface roughness parameter Ra through cutting conditions, tool wear and process monitoring indices such a cutting force components. The ANN structure was optimized by methods like a reduction of input vector parameters, dimensions of input data pattern, combined reduction and modification of hidden layers. Calculated and experimentally measured values were compared for each optimized ANN model. The work concludes that optimization of ANN has significant influence on prediction capability and accuracy for the task proposed.

Název v anglickém jazyce

The Effect of Artificial Neural Network Architecture on Surface Roughness Parameter Prediction Capability when Turning Inconel 718

Popis výsledku anglicky

This paper investigates the influence of Artificial Neural Network (ANN) architectures on its prediction capability when machining nickel based super alloy. The ANN was employed to determine surface roughness parameter Ra through cutting conditions, tool wear and process monitoring indices such a cutting force components. The ANN structure was optimized by methods like a reduction of input vector parameters, dimensions of input data pattern, combined reduction and modification of hidden layers. Calculated and experimentally measured values were compared for each optimized ANN model. The work concludes that optimization of ANN has significant influence on prediction capability and accuracy for the task proposed.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JR - Ostatní strojírenství

OECD FORD obor

—

Projekt

—

Návaznosti

V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Manufacturing Technology

ISSN

1213-2489

e-ISSN

—

Svazek periodika

16

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

6

Strana od-do

834-839

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—