Optimization of drilling parameters on surface roughness in drilling of AISI 1045 using response surface methodology and genetic algorithm

Kılıçkap, Erol; Hüseyinoğlu, Mesut; Yardımeden, Ahmet

doi:10.1007/s00170-010-2710-7

Cited by 116 publications

(65 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…En consecuencia, lograr la calidad de la superficie deseada es de mucha importancia para el comportamiento funcional de un producto [26]. También tiene un impacto en las propiedades mecánicas, específica-mente en la resistencia a la fatiga y en la resistencia a la corrosión [19].…”

Section: Resultados Y Discusiónunclassified

“…Por otro lado, las condiciones de corte que influyen son la velocidad de corte, el avance y la profundidad [18]. La selección adecuada de los parámetros de corte y de la geometría de la herramienta resulta compleja y difícil para lograr la calidad superficial requerida [19]. Por tanto, está claro que la selección y obtención de un modelo que describa este proceso es esencial para el mecanizado de los aceros [20].…”

Section: Modelos De Rugosidad Superficialunclassified

See 1 more Smart Citation

Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

Morales-Tamayo

Hernández

Carrera

et al. 2018

ings

View full text Add to dashboard Cite

Recibido: 30-11-2017, aprobado tras revisión: 18-12-2017 Forma sugerida de citación: Morales, Y.; Zamora, Y.; Vásquez, P.; Porras, M.; Bárzaga, J.; López, R. (2018). «Com-paración entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco». Ingenius. N.• 19, (enero-junio Resumen AbstractLos métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón multicapa) con el objetivo de predecir la rugosidad superficial en el torneado en seco del acero AISI 316l. En su implementación fueron considerados varios parámetros de corte como la velocidad, el avance y el tiempo de mecanizado. Las ecuaciones obtenidas por ambos métodos fueron comparadas desarrollando un diseño factorial completo para aumentar la fiabilidad de los valores registrados de rugosidad superficial. En el análisis se puede comprobar mediante los valores de coeficientes de determinación que los modelos propuestos son capaces de predecir la rugosidad superficial. Los modelos obtenidos demuestran que la técnica de redes neuronales artificiales tiene mejor precisión que la regresión múltiple para este estudio.The simple regression and artificial neural network methods are techniques used in many industrial aplications. This work developed two models in order to predict the surface roughness in dry turning of AISI 316L stainless steel. In its implementation they were considered various cutting parameters such as cutting speed, feed, and machining time. The models obtained by both methods were compared to develop a full factorial design to increase reliability of the recorded values of roughness. The analysis can be corroborated by the values of coefficients of determination that the proposed models are able to predict for surface roughness. The obtained results show that the neural networks techniques are more accurate than the multiple regression techniques for this study.Palabras clave: acero inoxidable AISI 316L, análisis de varianza y regresión, redes neuronales artificiales, rugosidad superficial, torneado de alta velocidad.

show abstract

Section: Resultados Y Discusiónunclassified

Section: Modelos De Rugosidad Superficialunclassified

Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

Morales-Tamayo

Hernández

Carrera

et al. 2018

ings

View full text Add to dashboard Cite

show abstract

“…It was found that minimum surface roughness could be achieved at lower feed rate, higher spindle speed and low or moderate drill diameter. Reference [6] focuses study on the influence of input parameters-feed rate, cutting speed and cutting environment on the surface roughness obtained in drilling of AISI 1045. It was found that minimum surface roughness is obtained at lower cutting speeds, while feed rate increased it deteriorates.…”

Section: IImentioning

confidence: 99%

A Review on Optimization of Cutting Parameters in Drilling Process

2017

IJAERD

View full text Add to dashboard Cite

“…In order to determine optimum drilling parameters for AISI 1045 material at the lowest possible surface roughness value, Kilickap et al (2011) used GA. The bounds of machining parameters used and comparison of optimization solutions found by GA, PS algorithm (Madić & Radovanović, 2014b) and the MC method are given in Table 2.…”

Section: Case Studymentioning

confidence: 99%

“…GA was considered by Kilickap et al (2011) to optimize drilling of AISI 1045 steel. In the study, three machining parameters such as cutting speed, feed rate, and cutting environment were employed.…”

Section: Introductionmentioning

confidence: 99%

Application of multi-stage Monte Carlo method for solving machining optimization problems

Madić¹,

Kovačević²,

Radovanović³

2014

10.5267/j.ijiec

View full text Add to dashboard Cite

Enhancing the overall machining performance implies optimization of machining processes, i.e. determination of optimal machining parameters combination. Optimization of machining processes is an active field of research where different optimization methods are being used to determine an optimal combination of different machining parameters. In this paper, multi-stage Monte Carlo (MC) method was employed to determine optimal combinations of machining parameters for six machining processes, i.e. drilling, turning, turn-milling, abrasive waterjet machining, electrochemical discharge machining and electrochemical micromachining. Optimization solutions obtained by using multi-stage MC method were compared with the optimization solutions of past researchers obtained by using meta-heuristic optimization methods, e.g. genetic algorithm, simulated annealing algorithm, artificial bee colony algorithm and teaching learning based optimization algorithm. The obtained results prove the applicability and suitability of the multi-stage MC method for solving machining optimization problems with up to four independent variables. Specific features, merits and drawbacks of the MC method were also discussed.

show abstract

Optimization of drilling parameters on surface roughness in drilling of AISI 1045 using response surface methodology and genetic algorithm

Cited by 116 publications

References 23 publications

Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

A Review on Optimization of Cutting Parameters in Drilling Process

Application of multi-stage Monte Carlo method for solving machining optimization problems

Contact Info

Product

Resources

About