Modélisation et optimisation de la rugosité de surface lors d'une opération de tournage
Une approche fondée sur l'expérience et les données
Versandkostenfrei!
Versandfertig in 6-10 Tagen
29,99 €
inkl. MwSt.
PAYBACK Punkte
15 °P sammeln!
Dans cet ouvrage, les auteurs présentent une approche basée sur la régression multi-linéaire pour la modélisation de la rugosité de surface lors du tournage d'un alliage commercial de laiton. Deux modèles de régression sont développés en utilisant les données expérimentales recueillies selon une méthodologie de conception d'expériences basée sur des facteurs complets. Alors que la pratique conventionnelle consiste à développer des modèles de régression en utilisant l'ensemble des données expérimentales, nous nous écartons de cette pratique et n'utilisons qu'un sous-ensemb...
Dans cet ouvrage, les auteurs présentent une approche basée sur la régression multi-linéaire pour la modélisation de la rugosité de surface lors du tournage d'un alliage commercial de laiton. Deux modèles de régression sont développés en utilisant les données expérimentales recueillies selon une méthodologie de conception d'expériences basée sur des facteurs complets. Alors que la pratique conventionnelle consiste à développer des modèles de régression en utilisant l'ensemble des données expérimentales, nous nous écartons de cette pratique et n'utilisons qu'un sous-ensemble des données disponibles, les autres données étant utilisées pour la validation du modèle. Cette séparation des données expérimentales en données de formation et de test est faite de manière aléatoire sans invoquer aucune règle mathématique. Les résultats obtenus ici révèlent que le modèle de régression de second ordre est statistiquement meilleur pour prédire la rugosité de surface pour les deux ensembles de données. La rugosité de surface minimale globale est déterminée en utilisant les modèles de régression développés conjointement avec l'optimisation à objectif unique basée sur l'algorithme génétique. Les résultats de l'optimisation révèlent que le minimum global obtenu à l'aide du modèle de régression du second ordre est en accord étroit (précision - 94%) avec les résultats expérimentaux.
Andere Kunden interessierten sich für
