Parametric Analysis for Torque Prediction in Friction Stir Welding Using Machine Learning and Shapley Additive Explanations
محل انتشار: مجله مکانیک کاربردی محاسباتی، دوره: 55، شماره: 1
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 45
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JCAM-55-1_009
تاریخ نمایه سازی: 26 بهمن 1402
چکیده مقاله:
Friction Stir Welding (FSW) has revolutionized modern manufacturing with its advantages, such as minimal heat-affected zones and improved material properties. Accurate torque prediction in FSW is crucial for weld quality, process efficiency, and energy conservation. Many researchers achieved models for torque based on experimental research, yet the models were limited to a specific type of material. In recent years, the use of machine learning techniques has increased in industry in general and in welding in particular. In this study, a machine learning model was prepared based on artificial neural networks, and Shapley-Additive Explanations were used to predict the rotational torque from ۲۸۷ experiments that had been conducted in several previous studies. The achieved model has remarkable predictive performance, with an R-squared of ۹۹.۵۳% and low errors (MAE, MAPE, and RMSE). Moreover, a machine learning polynomial regression was examined for comparisons. A parametric importance analysis revealed that rotational speed, plate thickness, and tilt angle significantly affect torque predictions, while the rest of the variables had minimal importance.
کلیدواژه ها:
نویسندگان
Sif Eddine Belalia
Departement of Mechanical Engineering, University of Relizane, Relizane, ۴۸۰۰۰, Algeria.
Mohamed Serier
Departement of Mechanical Engineering, University of Ain Témouchent Belhadj Bouchaib, Ain Témouchent, Algeria.
Raheem Al-Sabur
Mechanical Department, Engineering College, University of Basrah, Basrah, Iraq.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :