مدل‌سازي برش شيشه با جت آب همراه ذرات ساينده توسط شبكه عصبي و بهينه‌سازي زبري سطح با الگوريتم كرم شب‌تاب

Modeling of abrasive water-jet cutting of glass using artificial neural network and optimization of surface roughness using firefly algorithm

در اين مقاله از الگوريتم تازه گسترش يافته كرم شب‌تاب براي بهينه‌سازي فرايند برش شيشه با جت آب همراه با ذرات ساينده كه فرايندي چند متغيره غيرخطي است، استفاده شد. در روش پيشنهادي براي مدل‌سازي و پيش‌بيني زبري سطح فرايند برش شيشه؛ با توجه به پارامترهاي فرايند شامل فشار جت آب، سرعت پيشروي، ‌نرخ ريزش ذرات ساينده و فاصله نازل تا سطح قطعه كار از شبكه عصبي مصنوعي پيشخور با باز انتشار خطا استفاده شد. در ادامه، الگوريتم كرم شب‌تاب با استفاده از مدل شبكه عصبي مصنوعي پيشنهادي، اقدام به بهينه كردن زبري سطح برش خورده به عنوان تابع هدف كرد و در نهايت پارامترهاي متناسب با زبري سطح كمينه ارايه شد. نتايج حاصل نشان داد كه مدل پيشنهادي براي پيش‌بيني پارامترهاي خروجي مناسب بوده و همچنين نتايج به‌دست آمده از الگوريتم بهينه‌سازي استفاده شده، حاكي از كاربردي بودن اين الگوريتم در فرايندهاي با طبيعت پيچيده، دارد.

In this paper, it is shown how to use the recently developed Firefly Algorithm to optimize abrasive water-jet cutting as a nonlinear multi-parameter process. Back propagation neural network were developed to predict surface roughness in abrasive water-jet cutting (AWJ) process. In the development of predictive models, machining parameters of traverse speed, water-jet pressure, standoff distance and abrasive flow rate were considered as model variables. Firefly Algorithm by using back propagation neural network optimizes glass surface roughness in abrasive water-jet cutting and proposes appropriate parameters for minimum surface roughness. Testing results demonstrate that the model is suitable for predicting the response parameters. The results showed this algorithm applicable for processes with complex nature.