Resumen

El artículo tiene como objetivo investigar la ejecución del procesamiento de SS316 en formas de refrigeración de mecanizado manejables, tales como seco, húmedo y criogénico (LN2-nitrógeno líquido). Además, se utilizó un "enfoque paramétrico" para estudiar la influencia y realizar el análisis comparativo de las condiciones de mecanizado de LN2 en seco y LN2 en húmedo. Se incorpora la metodología de superficie de respuesta (RSM) para construir un modelo de relación entre las variables independientes consideradas (velocidad del husillo: (S, rpm), velocidad de avance (F, mm/min), y profundidad de corte (doc) (D, mm)) y la variable dependiente (rugosidad superficial (Ra)). Dado que existe la participación de más de una variable independiente, la generación de la ecuación de regresión es "regresión lineal múltiple". A partir del valor del coeficiente obtenido de la variable independiente, se identifica el impacto respectivo en la rugosidad de la superficie. Los resultados del análisis comparativo de los estados de mecanizado LN2sobre seco y LN2sobre húmedo revelaron que el mecanizado con LN2 produjo un mejor acabado superficial con hasta un 64,9%, 54,9% sobre el mecanizado en seco y húmedo, respectivamente, lo que indica los beneficios del LN2 para lograr una mejor Ra. La función de referencia del algoritmo de sesgo híbrido (BNN-SVR) propuesto muestra la propensión a salir del mínimo local y coincidir con el valor objetivo óptimo. El rendimiento del (BNN-SVR) es una nueva capacidad prevaleciente para recuperar los pesos parcialmente entrenados del modelo BNN en el modelo SVR, lo que conduce a la conversión de la capacidad de aprendizaje estático en capacidad dinámica. Las prestaciones de los enfoques de predicción adoptados se comparan a través de un rango de desviación de error alcanzado, es decir, (RA: 3,95%-8,43%), (BNN: 2,36%-5,88%), (SVR: 1,04%-3,61%), respectivamente. El sesgo híbrido (BNN-SVR) es el modelo de predicción más adecuado, ya que proporciona pruebas significativas al lograr un menor error en la predicción de Ra. Sin embargo, SVR supera a los enfoques BNN y RSM debido al factor de convergencia y al estrecho margen de error.

• Materias:Análisis de suelos Hormigón Construcciones de hormigón Asfalto
• Subjects:Soil testing Concrete Concrete construction Asphalt
• Palabras claves:análisis de ln2over, bnn, svr, análisis comparativo, rugosidad superficial, variable independiente, valor objetivo óptimo, generación de regresión, ejecución de ss316, beneficios de ln2
• Keywords:analysis of ln2over, bnn, svr, comparative analysis, surface roughness, independent variable, optimal target value, generation of regression, execution of ss316, benefits of ln2