Razvoj reduciranega modela na osnovi umetne inteligence za napovedovanje zaostalih napetosti pri obdelaviDairabayeva, Damira (Avtor) Pušavec, Franci (Mentor) strojno učenjevzdolžno struženjezaostala napetostnadomestni model reduciranega redamodel parametrizacije profilaBernsteinov polinomnerjaveče jeklo 15-5PHObdelovalni procesi povzročajo preostale napetosti v bližini površine obdelovanca, kar bistveno vpliva na njegovo natančnost, zmogljivost in življenjsko dobo. Programska oprema MISULAB podjetja MISUTECH napoveduje te napetosti z dvema povezanima simulacijama FEM: ABAQUS (2D, termomehanske obremenitve orodja in materiala) in Sysweld (3D, projekcija preostale napetosti). Vsak cikel traja približno 8 ur, pri čemer je faza Sysweld glavno računsko ozko grlo, ki omejuje hitro raziskovanje geometrij orodij. Zato je bil cilj tega magistrskega dela razviti model reduciranega reda, ki temelji na strojnem učenju, za napovedovanje profilov preostalih napetosti. Obseg študije je zajemal vzdolžno struženje martenzitnega nerjavnega jekla 15-5PH. Vhodne značilnosti modela so obsegale tri rezalne pogoje (Vc, f, ap) in tri parametre geometrije orodja (αn, γn, Rβ). Cilji so bili izpeljani s parametričnim prilagajanjem krivulj simuliranih profilov preostalih napetosti z uporabo Bernsteinovega polinomskega in Gaussovo-eksponentnega modela. Glede na rezultate je bila Gaussova procesna regresija najuspešnejša regresija za Bernsteinov polinom, medtem ko je bila učinkovitost pri Gaussovi eksponentni parametrizaciji najboljša z regresijo podpornih vektorjev v smeri rezanja in Gaussovo procesno regresijo v smeri podajanja. Na splošno ima predlagani model velik potencial kot hitro nadomestno orodje za napovedovanje preostalih napetosti, s čimer se zmanjša računski čas in zahteve glede virov, hkrati pa se ohrani visoka napovedna učinkovitost.20262026-09-29 08:31:08Magistrsko delo/naloga188817VisID: 291308sl