بررسي تجربي فرآيند تراش كاري هيبريدي به‌كمك جت سيال پرفشار و بهينه‌سازي فرآيند با استفاده از الگوريتم ژنتيك و شبكه عصبي

Experimental investigation of high pressure hybrid jet assisted turning and process optimization by genetic algorithm and neural network

ماشين كاري هيبريدي به‌كمك جت سيال پرفشار يك روش موثر در بهبود شرايط ماشين كاري ‌مي‌باشد. امتياز اصلي اين روش تمركز سيال برشي پرفشار در محل ماشين كاري و كاهش سطح تماس ابزار– براده مي‌باشد. در اين پژوهش به‌منظور اعمال جت سيال پرفشار از مجموعه‌اي از پمپ‌ها شامل پمپ واترجت استفاده گرديد. ابزارگير ويژه‌اي نيز به‌همين منظور طراحي و ساخته شد. آزمايش‌ها به‌گونه‌اي طراحي گرديد تا بررسي پارامترهاي فرآيند شامل فشار جت سيال برشي، سرعت برشي، نرخ پيشروي و عمق برش امكان‌پذير باشد. حين انجام آزمايش‌ها نيروهاي ماشين-كاري و زبري سطح اندازه‌گيري شد. نتايج وجود شرايط بهينه مربوط به مقدارهاي كمينه نيرو و زبري سطح را در فرآيند ماشين كاري هيبريدي به‌كمك جت سيال پرفشار نشان مي‌دهد. بنابراين نياز به بهينه‌سازي پارامترهاي فرآيند به‌منظور به‌كارگيري موثرتر اين روش ماشين كاري هيبريدي وجود دارد. از شبكه عصبي با پيكربندي مناسب كه توسط الگوريتم ژنتيك آموزش داده‌ شده براي تعيين مدل پيشگوي فرآيند استفاده گرديد. در نهايت الگوريتم ژنتيك به‌منظور بهينه‌سازي پارامترهاي فرآيند به‌كارگرفته شد. نتايج بدست آمده نشان مي‌دهد كه الگوريتم به‌كاررفته توانايي پيش‌بيني مقدارهاي بهينه پارامترهاي فرآيند با دقت مناسب را دارد.

High pressure hybrid jet assisted machining is an efficient method to improve the machining conditions. The significant advantage of this method is concentration of high pressure fluid on machining zone and reduction in tool-chip interface. In this research, a collection of pumps and water jet pump was used in order to supply a high pressure jet. A specific tool holder was designed and manufactured. Experiments were designed to investigate the process parameters such as jet pressure, cutting speed, feed rate and depth of cut. During the experiments, the cutting forces and surface roughness were measured. Results showed the existence of the optimum conditions of the minimum cutting force and surface roughness in hybrid jet assisted machining. Thus, the optimization of process parameters is necessary in order to use hybrid machining more efficiently. A neural network with suitable topology was utilized which was trained by genetic algorithm to obtain the predictive model. Ultimately, genetic algorithm was applied to optimize process parameters. Results showed the ability of employed algorithm to predict the optimum parameters with considerable accuracy.