مقایسه الگوریتمهای یادگیری ماشین در پیش بینی زبری سطح فولاد AISI۱۰۵۰

در صنعت تولید و مهندسی مواد، زبری سطح به عنوان یکی از مهمترین ویژگی های کیفیتی محصولات فلزی از جمله فولاد A۱۰۵۰، نقشی اساسی در عملکرد نهایی و طول عمر قطعات دارد. لذا پیشبینی دقیق زبری سطح می تواند به بهینه سازی فرآیندهای تولید و کاهش هزینههای تولیدی کمک کند. در این پژوهش، الگوریتمهای مخت لف یادگیری ماشین برای پیشبینی زبری سطح فولاد A۱۰۵۰ بررسی و مقایسه شدهاند. هدف از این تحقیق، انتخاب بهترین مدل یادگیری ماشین برای دستیابی به باالترین دقت در پیش بینی زبری سطح است. در این راستا، شش الگوریتم اصلی شامل رگرسیون خطی، درخت تصمیم گیری، جنگل تصادف ی، نزدیک ترین همسایه (KNN)، XGBoost و رگرسیون غیرخطی انتخاب و با استفاده از مجموعه دادههای جمع آوری شده از منابع معتبر در فرآیندهای تراشکاری و ماشینکاری، آموزش داده شدند. معیا رهای ارزیابی دقت مدل ها شامل میانگین مربعات خطا (MSE) و ضریب تعیین (R^۲) به منظور اندازهگیری دقت پیش بینی مورد استفاده قرار گرفتند. نتایج نشان داد که الگوریتم XGBoost با کمترین مقدار خطا و باالترین مقدار ضریب تعیین، عملکرد بهتری نسبت به سایر الگوریتمها داشته و به عنوان مدل بهینه برای پیش بینی زبری سطح فولاد A۱۰۵۰ پیشنهاد میشود. در مقابل، مدل رگرسیون خطی به دلیل عدم توانایی در مدلسازی پیچیدگیهای موجود در داده ها، کمترین دقت را از خود نشان داد. این نتایج می تواند به عنوان راهنمایی برای مهندسان در انتخاب روش های مناسب برای پیش بینی زبری سطح و بهینه سازی فرآیندهای تولید استفاده شود.

کلیدواژه ها:

الگوریتم های یادگیری ماشین ، پیش بینی زبری سطح ، تراشکاری ، زبان برنامه نویسی پایتون