استفاده ازمدل چندهسته ای ماشین بردارپشتیبان برای تخمین هندسه جوش درفرآیند جوشکاری رباتیک قوس تحت گازمحافظ
- سال انتشار: 1396
- محل انتشار: دومین کنفرانس ملی محاسبات نرم
- کد COI اختصاصی: CSCG02_187
- زبان مقاله: فارسی
- تعداد مشاهده: 716
نویسندگان
مربی گروه مهندسی کامپیوتر وفناوری اطلاعات دانشگاه صنعتی بیرجند
استادیارگروه مهندسی مکانیک دانشگاه صنعتی بیرجند
دانشجوی کارشناسی ارشد گروه مهندسی مکانیک دانشگاه صنعتی بیرجند
استادیارگروه مهندسی مکانیک دانشگاه صنعتی بیرجند
چکیده
ساخت قطعات فلزی سه بعدی به شکل مستقیم ازروی نمونه های اصلی تولیدات یکی ازمهمترین دلایل عمومیت جهانی روش های ساخت افزایشی است درحال حاضر پژوهشهای بسیاری برروی ساخت قطعات فلزی بااستفاده ازجوشکاری قوس الکتریکی گازمحافظ متمرکزگردیده است دراین فرایند هندسه گرده جوش تاثیربسزایی برروی ضخامت لایه کیفیت سطح و دقت های ابعادی درفرایند ساخت قطعات فلزی بابازنشانی لایه ها داشته و وابسته به پارامترهای تغذیه سیم سرعت جوشکاری ولتاژ قوس وفاصله نازل می باشد باتوجه به تاثیرپیچیده و غیرخطی این پارامترها برهندسه جوش تاکنون رابطه مستقیم ریاضی ای درزمینه مدلسازی هندسه جوش برحسب پارامترهای موثربرآن ارایه نشده است لذا استفاده ازابزارهای یادگیری ماشین می تواند به عنوان راهکاری جایگزین برای این مدلسازی موردمطالعه قراربگیرد یکی ازبهترین روشهای یادگیری بانظارت ماشین بردارپشتیبان بوده و درچندسال اخیر مدل چندهسته ای ماشین بردارپشتیبان به عنوان رویکردی جدید دریادگیری بانظارت که امکان دستیابی به دقت و قابلیت تعمیم بالاتری را ازمدلهای قبلی میآورد مطرح شده است. در این مقاله ضمن معرفی مدل چند هسته ای ماشین بردار پشتیبان به ، بررسی استفاده از آن برای مدلسازی هندسه جوش میپردازیم. نتایج مدل سازی نشان دهنده دقت و قابلیت تعمیم بالای مدل چند هسته ای ماشن بردار پشتیبان در این کاربرد میباشد، بالاخص که دستیابی به دقت و قابلیت تعمیم بالاتر از شبکه عصبی در این کاربرد، تنها از طریق یادگیری چند هسته ای میسر است. از این مدل میتوان برای تنظیم پارامترهای ورودی با دقت بالاتر برای نیل به هندسه جوش مطلوب دست یافت.کلیدواژه ها
یادگیری چند هسته ای، ماشین بردار پشتیبان، نمونه سازی سریع، ساخت افزایشی، جوشکاری قوس تحت گاز محافظمقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
اطلاعات بیشتر در مورد 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.