التفاصيل البيبلوغرافية
| العنوان: |
Evaluation of Machine Learning Techniques for the Nd: YAG Laser & TIG Welded Stainless Steel 304. |
| Alternate Title: |
OЦЕНА ТЕХНИКА МАШИНСКОГ УЧЕЊА ЗА НД: ИАГ ЛАСЕР И ТИГ ЗАВАРЕНИ НЕРЂАЈУЋИ ЧЕЛИК 304. (Serbian) |
| المؤلفون: |
A., Varun Kumar, R., Pradeep Krishna, Hasanabadi, Masood Fakouri, K., Sathickbasha |
| المصدر: |
FME Transactions; 2024, Vol. 52 Issue 1, p90-102, 13p |
| مصطلحات موضوعية: |
STAINLESS steel welding, LASER welding, YAG lasers, GAS tungsten arc welding, MACHINE learning |
| Abstract (English): |
Nd: YAG Laser and Tungsten Inert Gas (TIG) welding processes are the most promising joining techniques used for stainless steel (SS) alloys due to their significant weld characteristics. In this study, the effect of two process parameters (weld power and travel speed) on the mechanical properties (ultimate tensile strength and microhardness) of the weldment is investigated. Two different machine learning techniques, namely Adaptive Neuro-Fuzzy Inference System (ANFIS) and Unified Convolutional Neural Network (UCNN) are also evaluated for prediction of mechanical properties and defect detection through the image processing technique, respectively. A correlation has been performed between these two machine learning approaches with the experimental values. The training data sets are developed for the machine learning techniques, and the obtained results of (ANFIS) and (UCNN) models are related to the actual experimental values. The output of both developed models (ANFIS & UCNN) showed a good agreement with the actual experimental test results. The predicted tensile and microhardness values from the (ANFIS) model were found to greatly agree with the Peak Signal-to-Noise Ratio (PSNR) values from the (UCNN) model. However, owing to the increase in the applications of welding processes in industries, the utilization of machine learning techniques would be more efficient when compared with the other traditional methods that are being adopted. [ABSTRACT FROM AUTHOR] |
| Abstract (Serbian): |
Процеси заваривања Нд: ИАГ ласером и инертним гасом од волфрама (ТИГ) су најперспективније технике спајања које се користе за легуре нерђајућег челика (СС) због њихових значајних карактеристика завара. У овој студији истражује се утицај два параметра процеса (снага завара и брзина кретања) на механичка својства (крајња затезна чврстоћа и микротврдоћа) завареног споја. Две различите технике машинског учења, а то су Адаптиве НеуроФуззи Инференце Систем (АНФИС) и Унифиед Цонволутионал Неурал Нетворк (УЦНН), такође се процењују за предвиђање механичких својстава и детекцију дефеката кроз технику обраде слике, респективно. Извршена је корелација између ова два приступа машинском учењу са експерименталним вредностима. Скупови података за обуку су разви– јени за технике машинског учења, а добијени ре– зултати (АНФИС) и (УЦНН) модела су повезани са стварним експерименталним вредностима. Резултат оба развијена модела (АНФИС & УЦНН) показао је добро слагање са стварним експерименталним резултатима теста. Утврђено је да се предвиђене вредности затезања и микротврдоће из (АНФИС) модела у великој мери слажу са вредностима врш– ног односа сигнал-шум (ПСНР) из (УЦНН) модела. Међутим, захваљујући повећању примене процеса заваривања у индустрији, коришћење техника машинског учења било би ефикасније у поређењу са другим традиционалним методама које се усвајају. [ABSTRACT FROM AUTHOR] |
|
Copyright of FME Transactions is the property of University of Belgrade, Faculty of Mechanical Engineering and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| قاعدة البيانات: |
Complementary Index |
Full Text Finder