| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مدلسازی پیش بینانه مصرف توان در ماشینکاری با استفاده از تکنیک های هوش مصنوعی |
| عنوان انگلیسی مقاله: |
Predictive Modeling for Power Consumption in Machining using Artificial Intelligence Techniques |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2015 |
| تعداد صفحات مقاله انگلیسی | 5 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی صنایع و مهندسی برق |
| گرایش های مرتبط با این مقاله | بهینه سازی سیستم ها، تولید صنعتی و هوش ماشین و رباتیک |
| مجله | دوازدهمین کنفرانس جهانی تولید پایدار |
| دانشگاه | موسسه علوم و فنون Birla، هند |
| کلمات کلیدی | توان، مدلسازی پیش بینانه، شبکه هوش مصنوعی، رگرسیون بردار پشتیبان |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 10 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1. مقدمه
2. برنامه ریزی آزمایشی
3. شبکه عصبی مصنوعی
4. رگرسیون بردار پشتیبان
5. ارزیابی مقایسه ای مدلهای پیشنهادی
6. نتایج
- بخشی از ترجمه:
6. نتایج
مقاله حاضر مدلهای شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان برای پیش بینی توان مصرفی در طول ماشینکاری را مطرح می کند. هر دو مدل به خاطر اعتبارشان با استفاده از آماره های توصیفی و تست فرضیه مورد ارزیابی قرار گرفته اند. نشان داده شده است که نتایج توان پیش بینی شده با نتایج آزمایشی حقیقی همبستگی نزدیکی دارد. با این حال، مدل ANN در مقایسه با مدل SVR عملکرد نسبتاً بهتری نشان داده است. با تغییر مقادیر تابع هزینه و تابع زیان غیر حساس، می توان عملکرد مدل SVR را بیشتر بهبود بخشید. مدلهای ANN و SVR توسعه یافته در این مقاله می توانند به شبیه سازی، پیش بینی، بهینه سازی و بهبود پارامترهای پاسخ و انتخاب پارامترهای پروسه (فرایند) در پروسه های ماشینکاری کمک نمایند. در این راستا مدلهای پیش بینانه به تنظیم دقیق پارامترهای ماشینکاری بهینه، کمک می کنند، به گونه ای که مصرف توان در طول ماشینکاری را می توان کاهش داد.
- بخشی از مقاله انگلیسی:
6. Conclusions
This paper presents Artificial Neural Network and Support Vector Regression models for predicting the power consumed during the machining. Both the models have been evaluated for their validity using descriptive statistics and hypothesis testing. The predicted power results were found to be in close correlation with the actual experimental results. However, the ANN model has shown slightly the better performance as compare to SVR model. The performance of SVR model can be further enhanced by varying the values of cost function and insensitive loss function. The ANN and SVR models developed in this paper can aid the simulation, prediction, optimization, and improvement of response parameters and the selection of process parameters in machining processes. The predictive models are expected to help in fine tuning the optimum machining parameters so that the power consumption during machining can be reduced.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مدلسازی پیش بینانه مصرف توان در ماشینکاری با استفاده از تکنیک های هوش مصنوعی |
| عنوان انگلیسی مقاله: |
Predictive Modeling for Power Consumption in Machining using Artificial Intelligence Techniques |
|
|