基于人工智能模型的冷却润滑液在石材切削中的影响

工程科学与技术，国际期刊23（2020）71完整文章基于人工智能模型的冷却润滑液对石材Seyed Mehdi Hosseinia，Mohammed Ataeia，Reza Khalokakaeia，Reza Mikaeilb，Sina ShaffieeHaghshenasca伊朗沙赫鲁德工业大学采矿、石油地球物理系b伊朗乌尔米亚工业大学采矿和冶金工程系c伊朗拉什特伊斯兰阿扎德大学拉什特分校青年研究员和精英阿提奇莱因福奥文章历史记录：2018年11月6日收到2019年4月23日修订2019年4月24日接受在线发售2019年关键词：锯片硬质岩石润滑油ANN-GAMLP智能技术A B S T R A C T本研究的目的是提供一个准确的实用预测模型，研究冷却和润滑液对切削性能的影响，特别强调消耗电流作为影响切削盘性能的最重要因素之一。在这项研究中，10个尺寸的石头样品进行了测试，作为硬岩使用三种类型的润滑剂流体，和总共进行了建模的基础上收集的160个实验室测试样品的每种流体。采用人工神经网络和混合遗传算法-此外，四个有影响力的物理和力学参数的岩石，包括单轴抗压强度，莫氏硬度，Schimazek最后，用算法的价值占比（VAF）、均方根误差（RMSE）和判定系数（R2）等性能指标对算法的结果进行了评价。根据所得到的结果，共建立了18个模型，其中多层感知器（MLP）神经网络具有最高的效率，提供了一个准确和稳定的预测模型相比，混合ANN-GA算法。此外，所提出的MLP模型证明，比例为1-40的肥皂水可以提供更高的性能能力，在切割过程中，以减少消耗的电流。该网络用于预测切割机消耗的最大电流，以评估锯片在坚硬岩石中的性能，以及使用不同润滑剂提高机器效率的良好规划的可能性。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍拥有完整的切割过程知识是提高加工产品效率和质量的最重要因素之一。通常，在岩石切割工业中抛光石材板的成本主要受诸如仪器成本（工具磨损）和能量消耗费用的因素影响通常，作为效率和效果指标之一的生产率与金刚石刀具磨损和能耗两个因素有直接关系不同因素*通讯作者。电 子 邮 件 地 址 ： m_hosseini_uni@shahroodut.ac.ir （ S.Mehdi Hosseini ） ，ATAEI@shahroodut.ac.ir （ M.Ataei ） ， r_kakaie@shahroodut.ac.ir （ R.Khalokakaei）。由Karabuk大学负责进行同行审查影响刀具的性能数量和功能，而冷却润滑剂是切削过程中最重要的因素。冷却润滑剂不仅提高了生产质量，还显著降低了能耗和金刚石工具在这方面进行了各种研究。Wang等（1995）曾对冷却液对花岗石锯切的影响进行过评价。他们发现，冷却液与刀片寿命的增加以及切割功率和噪音的降低之间存在有意义的关系[4]。在Xu和Li（2003）进行的一项研究中，测试了四种冷却和润滑流体（水、空气、水和油溶液以及润滑脂）在通过金刚石切割盘切割花岗岩过程中的性能。结果表明，使用润滑脂可获得较高的法向和切向功率。此外，当使用水时，金刚石盘显示出较低的切割能力。此外，使用水时消耗的特殊能量https://doi.org/10.1016/j.jestch.2019.04.0122215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch72S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）71油溶液明显减少[5]。在土耳其，Ucun等人进行了一项研究（2012）研究了冷却/润滑液（城市用水、硼油、液体肥皂和Ace-Cool 5679）在切削过程中的作用在这项研究中，一些实验室实验进行了两个花岗岩岩石的蓝珍珠和尼禄Zimbawe。同时，对切削过程中各性能指标之间的关系进行了研究和评价，包括加工功率、刀具研究结果表明，使用冷却润滑剂（分别包括硼油、液体皂、Ace-Cool和水）可降低良好的磨损，因为这些液体的粘附力分别降低，导致节段的磨损更高[6]。在Tumac（2014）进行的一项研究中，根据肖氏硬度计硬度预测链锯的性能。本文在前人建立的两个经验模型的基础上，利用肖氏硬度法研究了切削力与法向力之间的关系结果表明，切削力和法向力与肖氏硬度呈弱的反向关系[7]。Yurdakul（2015）研究了一些引人注目的参数，包括锯片转速、切割深度和进给速度，以提高生产率，这可能会增加石材切割区的热量[8]。Jiang等人已经评估了切削液对金刚石工具的使用寿命和更好的花岗岩表面质量的影响（2015）[9]。在Mikaeil等人（2017）进行的一项研究中，使用智能技术和岩石的一些最重要的物理和力学在这项研究中，使用了从土耳其11个地区收集的安山岩，石灰岩和真正的大理石采石场的最后，结果表明，根据GA-ANN混合算法[10]，预测磨损率的优化模型具有高度准确性和有效性。在Aryafar等人（2018年）的研究中，使用两种元启发式算法对伊朗矿山的12个岩石样本进行了分类和评估，包括花岗岩、大理石和花岗岩。他们的研究都是基于振动水平，只通过一些重要的物理和机械性能。结果表明，在锯床振动研究中，GA算法在评价数据方面优于DE算法[11]。在Mikaeil等人的另一项研究（2018），通过两种软计算方法评估圆锯机在他们的研究中，利用岩石的一些物理和力学性质，对12个岩石样品进行实验室实验，研究了切割机中记录的生产率，根据所获得的结果，帝国主义竞争算法在圆锯机的数据分析和评估中具有更高的性能[12]。在Dormishi等人（2018）的研究中，使用两种混合方法评估了排锯的切割过程，包括混合ANFIS-DE和混合ANFIS-PSO算法。通过测试12种碳酸盐岩，共进行了120次实验测试，并提供了一个最佳模型，以便根据机器消耗的电流和碳酸盐岩的性质来评估排锯的性能[13]。Bai等 人开 发 了 一种 新 技 术（ 2018 ） 基 于两 种 不 同的 多 属性 决 策（MADM）方法的结果表明，所提出的方法可以是一种简单但有效的 工 具 ， 用 于 对 花 岗 岩 锯 切 过 程 中 的 切 削 液 进 行 排 序 [14] 。Songmene等人（2018）进行了一项调查，以评估花岗岩抛光过程中最小量润滑他们使用不同的水流速度。根据他们的研究结果，一些研究人员-提供了使用最小量润滑的建议[15]。在Mikaeil等人（2019）的研究中，评价了金刚石线锯的性能。根据岩石的单轴抗压强度、SchimazekF-磨耗系数、肖氏硬度和杨氏模量等4个主要指标，采用和声搜索算法对15个安山岩样品进行分类和评价。所获得的结果表明，所述算法在研究用于评估金刚石绳锯性能的磨损率方面具有良好的性能[16]。如前所述，鉴于全面了解切割过程对提高岩石工厂和采石场效率的重要性，本研究旨在使用人工智能技术评估和预测硬质岩石中锯片的性能，并调查其效果冷却液和润滑液对石材切削性能的影响。因此，本研究首先通过调查不同的资源和回顾前人的研究成果，对岩石切削过程中的影响参数进行了研究，然后通过对10个硬质岩石尺寸试样的480次试验，得到了岩石单轴抗压强度、莫氏硬度、测量了三种不同润滑剂的Schimazek F-磨损因子、杨氏模量、进给速度（Fr）和切削深度（Dc）等两个操作参数以及切削机消耗的最大电流。此外，由于模糊性和不确定性存在的评价和预测切削过程中，为了克服这些问题，人工智能方法被认为是一个强大的工具，建模的数据集。因此，在下一步中，基于两种智能预测方法，包括人工神经网络和混合ANN-GA算法，进行了所需的仿真，并确定了用于预测水润滑液的切割机消耗的最高电流的最优模型。值得一提的是，本研究采用MATLAB软件进行建模。在最后一步中，不同的润滑液进行了评估，在优化模型，以调查冷却液对切削性能的影响。使用所获得的结果，不同的润滑液和切削性能的结果之间的关系进行了评价。2. 实验研究使用冷却液来冷却和润滑切削过程是不可避免的。这些流体用于冷却接触区域并防止金刚石盘的表面燃烧，润滑并减少金刚石颗粒与工件表面之间的摩擦，减少消耗的能量并增加工具的寿命，减少工件中的热量，增加表面光滑度并进行切在这项研究中，三种类型的冷却润滑液的使用和评价。实验中使用的流体的性质示于表1中。所有的切削实验都是在Shahrood工业大学岩石力学实验室进行的为此，在实验室内设计并制造了岩石切割机表1实验中使用的流体的性质号流体粘度（mPa·s）pH1水1.0697.882比例为1：400.98517.873比例为1：200.97548.23S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）7173××××规模，以便进行切割实验。图1显示了本研究中使用的实验室规模的样品切割机。在实验过程中，由机器消耗的电流量是由一个精确的安培计测量的（考虑到机器输入电流变化的记录）。在这项研究中，主轴电机的最大功率为4（千瓦）。圆盘直径25厘米，宽度5毫米。金刚石节段的数量为18个金刚石节段，每个节段的尺寸为35（mm）2.5（mm）6.0（mm）。 此外，认为所有液体的流速均为17（l/min）。对10种花岗岩 （ Khorram Dareh 花 岗 岩 、 Birjand Gangali 绿 花 岗 岩 、 NaeinShadab绿花岗岩、Birjand Kahooei绿花岗岩、Natanz白花岗岩、Nehbandan白花岗岩、Isfahan红花岗岩、Yazd红花岗岩、Mashhad珍珠花岗岩和Chayan黑花岗岩）的建筑硬岩样品在不同的操作条件下进行了实验，包括四种切割深度（0.5、0.7、1和1.3 cm）和四种进给速率（45、60、75和90 cm/min）。此外，切割长度被认为是40（cm）和标本尺寸为40 40 2（cm）。 应该注意的是，数字安培计用于测量电流。本研究的统计人群包括480多名根据ISRM国际标准进行的实验测试[18]。值得一提的是，这些岩石的力学特性是基于两个标准来考虑的，即避免选择等效参数和引入岩石特性的适当代表，包括物理、力学、强度和弹性，其中单轴抗压强度、莫氏硬度、Schimazek的F-磨损因子、杨氏模量是咨询专家后的最佳选择。图2显示了Shahrood理工大学岩石力学实验室的UCS试验机。表2显示了岩石样品的实验研究结果。3. 多层感知器神经网络人工智能是人类智能哲学的产物，它无疑是工业界最重要的计算技术之一。虽然人工智能最初是在19,20年使用的，但与其他科学相比，它在解决工业，科学和理论问题方面的增长在几十年中不断增长[19，20]。 人工智能的主要基础之一是人工神经网络。许多研究人员进行了不同图1.一、本研究中使用的切割机图二.实验室使用的UCS试验机人工神经网络的研究。近年来，人工神经网络作为最实用的软计算方法之一，在采矿工程和岩土工程领域的应用显著增加[21多层感知器（MLP）人工神经网络是人工神经网络中的一种，由于其易于应用和求解精度高而受到研究者的广泛关注。实际上，这种网络是多层前馈神经网络，使用反向传播算法进行神经网络训练，因此，它被称为多层感知器。MLP网络由三层组成，包括作为一层的输入层、隐藏层（它可以由一层或多层组成）和输出层。输入和输出层中的神经元的数量分别基于问题条件以及输入和输出的数量来确定。对于隐层，引入了许多方程来确定该层中的神经元数目。在表3中，提供了用于确定隐藏层中的神经元的数量的一些已知等式。4. 混合GA-ANN算法进化系统作为人工智能的重要分支之一，其目前常用的进化算法有差分进化算法（DE）、帝国主义竞争算法（ICA）和粒子群优化算法（PSO）。这类进化优化方法在土木工程、采矿工程和岩石力学领域有各种应用[33同时，遗传算法是进化优化方法之一，最初由John Holland于1975年在密歇根大学提出[39]。遗传算法的实施过程开始于创建一个初始种群，就像大多数元启发式算法一样所有的假设都由一个适应度函数来评估然后，初始结果被遗传算法的两个算子使用，即。交叉和变异，以产生下一代的解决方案。这个循环一直持续下去，直到找到最合适的解值得注意的是，由于新产生的解决方案与旧的随机替换（用父代替换新的子代），遗传算法具有更多的74S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）710ðÞ公司简介HP1/1im平均值i¼1我我表2研究岩石的物理力学参数号试样结石学组商业名称SF-a（N/mm）杨氏模量（GPa）莫氏硬度（n）抗压强度（MPa）1花岗岩霍拉姆达雷花岗岩10.4228.95.651332长岩Birjand Gangali绿色花岗岩28.3526.42393辉绿岩Naein Shadab绿色花岗岩8.352566.12794花岗岩Birjand Kahooei绿色花岗岩4.284376.31105花岗岩纳坦兹白花岗岩46.63435.71506花岗岩内赫班丹白花岗岩24.2535.55.951457凝灰伊斯法罕红花岗岩1.87246.561828玄武岩亚兹德红花岗岩14.2443.66.11429花岗岩马什哈德珍珠花岗岩8.531.25.612510闪长茶岩黑花岗岩7.648.66.6173表3一些用于确定隐藏层中神经元数量的方程[25]。研究人员方程Hecht-Nielsen[26]算法的改进，该算法在Hagan和Menhaj的基础上用于仿真，并在隐层和输出层分别使用tansig和purelin函数作为传递函数。在下一步中，基于以下实验方程：[28]第二十八话：我的世界里普利[29]2NiNi并且对于Ni = 6个输入神经元和N 0 = 1个输出神经元，隐藏层神经元的数量可以在2-12的范围内。然后，对10个花岗岩规格石材试件进行了160次试验[30]2016年10月20日星期二上午10时30分NiN0[31]第一次世界大战后，的四个物理力学参数岩石，包括单轴抗压强度，莫氏硬度，[32]第三十二话Ni：输入神经元的数量。N0：输出神经元的数量。pN0以Schimazek在解决方案搜索空间中通过局部最小值的机会。由于该算法能为复杂问题 提 供 精 确 而 清 晰 的 解 ， 因 此 在 科学 领 域 得 到 了 广 泛 的 应 用 。Mohamad等人利用遗传算法训练人工神经网络，预测了小麦的成熟产量。首先，通过在研究区进行试验测试，收集了74个抗裂试验结果的数据。然后，通过提供不同的模型，引入最优模型，用于预测ANN-GA混合算法的撕裂产量[40]。在Salemi等人的圆形浅埋隧道抗震分析中，在用有限差分法进行初步分析后，用遗传算法对所得结果进行了评价。所得结果表明了该算法的有效性[41]。粘聚力是灰岩抗剪强度的重要参数之一，Khandelwal等人采用一元回归、多元回归、人工神经网络和遗传算法（ANN-GA）等多种方法对灰岩的粘聚力进行了预测。从这项研究中获得的结果表明，作为输出数据。值得注意的是，在第一，我们认为水润滑液，而不是两种类型的肥皂水的比例为1：40和1：20的神经网络模型的结构确定，因为水是一种基本的润滑液。根据软计算领域研究人员的研究和建议，在160个实验数据的模拟中，75%的数据（120个数据）和25%的数据（40个数据）被认为是测试数据[44]。在这些模拟中，为了确定算法的效率和有效性，算法的（1）VAF1varnixi-yi1瓦雷什河vut1Xn2与其它遗传算法相比，ANN-GA具有更高的性能和效率方法[42]。神经网络训练是遗传算法的重要应用这种能力RMSE¼ni¼1xi-yið2Þ算法在搜索问题空间和逃避最小局部最优点创造了一个条件，hPnR2X-Xn =2i-hPnX-Y-2I用该算法训练人工神经网络，人工神经网络的能力和效率。因此，我们认为，n1/1 xi-xmean在这项研究中，ANN-GA混合算法被用来提供一个最佳的，用于预测消耗电流的模型。图3显示了混合ANN-GA算法的初始结构。5. 使用人工智能技术建模5.1. 使用ANN为了建立一个合适的感知器神经网络用于此仿真，以准确估计由切割机消耗的电流，在准备和设置输入和输出数据之后，必须确定神经网络训练算法和隐层神经元的数目。在第一步中，由于Levenberg-Marquardt（LM）学习的高能力在上面的等式中，n表示数据集的数量。值yi和xi分别是预期值和测量值。值得一提的是，为了获得合适的性能指标，VAF值必须接近100%，R2和RMSE值必须分别接近1和0因此，为了根据隐层神经元的数目建立一个准确而合适的模型这些基于水的建模结果如表4所示。在最后一步中，为了基于简单的评级系统确定最合适的模型，对11个模拟模型进行评级[45]。根据从表5获得的结果，具有66的评级的模型9在模拟模型3ÞS. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）7175××图三.混合ANN-GA算法的结构[43]。表4基于隐层中不同神经元数目的每个模型的性能指标的值型号隐层神经元网络的结果R2RMSE的网络结果VAF网络结果培训测试培训测试培训测试120.970.870.10.1290.7183.52230.850.790.130.1582.1172.19340.960.910.060.196.4591.28450.970.840.050.1597.3984.91560.960.920.060.0996.4892.27670.980.800.040.1598.7679.83780.9910.730.030.199966.7890.9930.880.030.3599.3574.799100.9970.930.010.0999.7592.7710110.9920.730.020.1999.6383.511120.980.730.020.1998.8769.78表5人工神经网络模型的评级。型号隐层神经元网络的结果对于R2RMSE的网络结果VAF网络结果总排序培训测试培训测试培训测试126759273623444813243459610394245667858405651061141046677588653978839781368910896944691011111111111166101193107106451112731077236用于预测具有水润滑流体的锯机的最大电流模型9对训练的R2、RMSE和VAF的性能指标分别为0.997、0.01和99.75，对测试的R2、RMSE和VAF的性能指标分别为0.93，0.09分别为92.77。因此，模型9是用于估计机器对于水润滑剂流体消耗的最大电流的最佳模型，其形式为6 10 1，包括6个输入神经元，10个隐层神经元和1个输出神经元. 图图4和图5分别示出了模型9对于训练数据和测试数据的相关系数。5.2. 使用ANN-GA如前所述，用于人工神经网络训练的元启发式算法的技术。因此，在本节中，使用遗传算法训练用于预测由人工神经网络消耗的最大电流的准确且有效的模型，并将其用作实用的混合算法。该算法其中一些控制参数是由专家和以前的研究建议直接使用的[40，42，46，47]。因此，在该模拟中，重组百分比（RP）、突变百分比（MP）和交换百分比（CP）三个参数分别固定为15%、35%和50%然而，这些控制参数中的一些不能直接和明确地访问，并且在最大代数（GMax）和种群大小是两个最重要的控制参数的数据范围中进行评估和选择。在第一步中，为了基于诸如RMSE之类的统计算子来确定GMax，76S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）71见图4。水润滑油人工神经网络训练数据的相关系数图。图五.用人工神经网络对水基润滑液试验数据的相关系数图。专家将最佳G_（Max）定为500，认为种群规模的范围为50-500，并进行了所需的分析。实际上，通过进行灵敏度分析，确定了混合算法对所建模型的灵敏度和效率。如前所述，水被称为基本润滑流体，并且与ANN模型类似，水润滑流体也用于ANN-GA中。所得结果如图所示。 六、根据图6，所做的分析和所获得的结果表明，GMax的RMSE过程的量固定在大于350并且不改变。因此，GMax的最佳量设置为350。在下一步中，给定其他控制参数，以确定最优的群体大小值，不同的模型被模拟的群体大小在50-500的范围内。对于160个实验数据，根据Looney为此，在MATLAB软件中建立了9个模型，并根据算法的性能指标和方程，对模型进行了仿真（1）然后，建立的模型进行评级使用一个简单的评级方法提出的Zorlu等人。（2008），从该评级中获得的结果见表7[45]。根据从该评级获得的结果，评级为51的模型7在九个模拟模型中具有最高评级，用于预测机器对于水润滑流体消耗的最大电流。此外，该模型的训练数据的算法图图7和图8分别示出了模型7中的训练和测试数据值的相关系数。6. 讨论根据表5和表6的结果，模型7和9分别是人工神经网络和混合ANN-GA算法的最佳和最有效的模型。表8提供了基于性能指标的两种智能方法结果表明，用MLP模拟的最优模型比用ANN- GA模拟的最优模型具有更好的性能和效率。图9示出了对于根据模型9的所有160个数据，机器消耗的最大电流与MLP预期的最大电流之间的比较。从这些结果可以看出，根据数据的一致性，具有高精度的感知器神经网络可以预测最大消耗电流。最后，用感知器神经网络提出的水润滑液模型，对从这些模拟获得的结果示于表9中。根据从表8和表9获得的结果，很明显，由多层感知器模拟的模型对于预测由使用其他润滑剂流体的切割机消耗的最大电流具有非常显著的效率，所述其他润滑剂流体包括比例为1：40和1：10的两种类型的肥皂水。20. 图图10-12示出了从算法指数获得的结果之间的比较，以便预测使用R2、RMSE和VAF的三种流体的切割机所消耗的最大电流，以及图12示出了从算法指数获得的结果之间的比较。图13示出了三种类型的润滑剂流体的所有数据集的R 2及其方程。实验结果表明，算法的性能指标在三种模型下都尽管有一些研究是关于冷却和润滑液对切削性能的影响，但它们的主要焦点是切削刀具、其他类型的切削机（如排锯和链锯）的磨损为了填补这一空白，本文旨在论证冷却液和润滑液在岩石切削过程中的作用，并提出一个预测最大电流的人工模型，根据该模型所获得的结果表明，人工智能技术可以作为建模岩石力学工程中涉及的一些问题的有力工具。根据本研究进行的分析，必须考虑以下几- 两种优良模型性能指标的比较表明，多层神经网络对最大电功率预测具有较高的效率和能力S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）7177见图6。 基于RMSE的生成数对网络性能的影响。表6基于混合遗传神经网络算法的性能指标的仿真结果的水润滑液。型号最大世代数（GMax）种群大小R2网络RMSE的网络结果VAF网络结果培训测试培训测试培训测试1350500.470.390.260.2544.0137.8523501000.500.380.250.2448.8936.1833501500.540.630.220.2251.8861.3543502000.620.630.210.1830.7644.3953502500.670.610.190.2148.6141.2263503000.670.600.190.2149.5240.5673503500.610.700.20.1658.669.6283504000.570.620.20.2155.3243.293505000.560.640.230.254.445.3表7水润滑液混合GA-ANN算法的额定模型结果型号网络的结果对于R2RMSE的网络结果VAF网络结果总排序培训测试培训测试培训测试15023332215210032444118315047656836420087781637525095963436630094965336735079899951840066868539950058577739电流消耗的切割机相比，混合ANN-GA算法。实际上，通过表4和表6的比较可以看出，不仅感知器神经网络模拟中的优模型具有更高的效率指标和优越性，而且该算法模拟的其它模型也优于混合ANN-GA算法模拟的模型。在仿真实验中，因此，可以得出结论，尽管不确定性和复杂性这种不确定性和复杂性的数量允许事实上，由于遗传算法具有很高的学习能力，在训练人工神经网络时，它会出现过拟合值得注意的是，在硬岩石样品上进行的实验以确定岩石的物理和机械性质，并且还基于切割机消耗的最大电流的预测来研究切割机的性能，这些实验被认为是不确定的和复杂的系统和集合，但是这种不确定性和复杂性的量并不清楚。78S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）71××见图7。给出了混合ANN-GA算法中训练数据的相关系数图。图8.第八条。给出了水基润滑油混合神经网络-遗传算法测试数据的相关系数图。- 根据算法的性能指标，表明算法的效率和能力，在进行的模拟，基于多层感知器（MLP）神经网络设计的优化模型具有预期的最大电流消耗的切割机的所有三种冷却液，也为硬岩石。考虑到预测切割机消耗的电流作为识别切割过程的最重要元素之一的重要性，并且基于所获得的结果，它可以用于更好地规划以减少能量消耗费用和时间，并提高加工产品的效率和质量。- 这项研究显示了冷却和润滑液的作用，以减少切割机性能消耗的电流。对于具有用于每种流体的恒定电流值的最终（最佳）模型，与用于每种流体的预测电流相比，在冷却流体和润滑剂流体对切削性能的影响之间进行比较因此，根据图13，本研究工作中三种冷却和润滑液对石材切削性能的影响如下：比例为1：40的肥皂水>比例为1：20的肥皂水>水。因此，可以得出结论，pH值作为冷却和润滑流体的最显著的特性之一，对切削过程中适当条件的存在有很大的贡献，在这种情况下，流体的影响从高到低按比例为1：40的肥皂水（pH = 7.87）、比例为1：20的肥皂水（pH = 7.88）和水（pH = 8.23）的顺序排序7. 结论最大消耗电流作为切削加工过程中最重要的因素之一，其评估可以降低最终成本并提高加工产品的质量。对另一方面，冷却液和润滑液是影响切削刀具性能和功能以及机床消耗电流的最重要因素之一。鉴于这个问题的重要性，本研究的目的是提供一个最佳的模型来预测三种冷却液的机器消耗的最大电流。同时，针对实验室测试中评估过程中存在的不确定性，本文采用多层感知器（MLP）神经网络和混合遗传神经网络算法作为智能方法，对最大消耗电流的预测进行了仿真优化。通过对10个硬岩试样的实验，对水和1：40和1：20两种肥皂水的每种流体，以及岩石的单轴抗压强度、莫氏硬度、Schimazek的F-磨损因子和杨氏模量等4个影响岩石物理力学参数，进行了160次实验测试。测量两个操作参数，包括进给速率（Fr）和切割深度（Dc），并将其作为输入数据，并且将消耗的最大电流作为输出数据。仿真结果表明，在对实验系统和切削加工系统进行分析和评价时，LM学习算法比遗传算法在神经网络训练中表现出更好的效率和效果。水介质下的MLP模型定义为6 101，包括6个输入层神经元，10个隐藏层神经元，den层神经元和1个输出层神经元，其在预测在其它流体（例如比率为1：40和1：20的两种类型的肥皂水）下硬岩石消耗的最大电流方面具有非常可接受的能力。此外，发现具有1：40的比例且pH = 7.87的肥皂水降低最大消耗电流的适用性比具有1：40的比例的肥皂水更可靠。20和水的pH值分别为7.88和8.23因此，表8对水基润滑油的ANN和混合ANN-GA算法的最佳模型进行了比较R2的网络结果RMSE的网络结果VAF的网络结果培训测试培训测试培训测试第9章安0.9970.930.010.0999.7592.77ANN-GA第7号0.610.70.20.1658.669.62S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）7179见图9。 对水润滑剂流体的最大电流测量值与ANN算法预测值之间的比较。表9MLP在不同流体中的性能指标值流体R2网络结果RMSE网络结果VAF网络结果培训测试培训测试培训测试比例为1：400.910.90.120.190.4890.45比例为1：200.970.940.060.196.5993.98见图10。基于三种流体模拟的模型的R2值之间的比较。图12.基于三种流体模拟的模型的值占（VAF）值之间的比较。见图11。基于三种流体模拟的模型的RMSE值之间的比较。可以得出结论，所开发的用于选择最佳冷却剂和润滑剂的模型的所获得的结果可以用于尺寸石材工业和石材切割工厂，以降低成本，并且具有更可靠的设计和规划。最后，建议将本研究结果与其他训练神经网络的元启发式算法，如差分进化（DE）算法，帝国主义竞争算法（ICA）和粒子群优化（PSO），或其他智能技术，如支持向量机（SVM）和径向基函数（RBF）进行比较，并提供结果。一个全面的研究。致谢我们要对马赫迪·盖姆教授的出色建议表示最深切的感谢80S. Mehdi Hosseini等人/工程科学与技术，国际期刊23（2020）71图十三. 三种流体模型的R2与所有数据集的方程引用[1] M. Agus，A.Bortolussi，N.卡雷杜河奇库湾格罗索角陈晓，金刚石绳性能与石材性能的关系，第四届国际矿山计算机应用会 议 （CAMI），2003。[2] A. Bortolussi，R，Ciccu，P. Manca，G. Massacci，M. Pinzari，最佳使用金刚石绳设备采石，在：APCOM 89（pp. 351-365）。（1989年）。SME/TMS AIME。[3] G. Rossi，P. Trois，G. Loi，G.S. Andrissi，RALTAT-n：一系列用于改善花岗岩锯和块切割机性能的添加剂，L 'informatore del marmista 420（1997）32-37。[4] C.Y. Wang，X.Wei，Z.L.Tang，Z.C.潘，冷却剂在花岗岩锯切中的作用，印第安纳州。Diamond Rev.55（567）（1995）156-160.[5] X. Xu，Y. Li，Y.俞，金刚石圆锯片锯切花岗岩时的力比，J。Mat e r . 过程Technol.139（1 -3）（2003）281-285。[6] I_. 乌昆湾斜过来，斜过来，斜过来。 Büyüksagis，S. Tas，getiren，冷却液对切割过程中使用钻石分割盘的天然石材，Proc。 机甲工程师：C部分：J. 机甲Eng.Sci. 227（10）（2013）2315-2327。[7] D. Tumac ， Predicting the performance of chain saw machines based onShorescleroscope hardness，Rock Mech. Rock Eng. 47（2）（2014）703-715.[8] M.杨文，多圆盘块体切割机切割花岗岩过程中切割参数对消耗功率的影响，国际岩石 机 械 与 采 矿 科 学 杂 志 。 76 （ 2015 ） 104 https://doi.org/10.1016/j 。ijrmms.2015.03.008网站。[9] T.金华。“十三五”中国石材产业转型升级之路探讨史东. 2（2016），1-6.[10] R. Mikaeil，S.S. Haghshenas，Y.厄兹切利克体育场Haghshenas，智能系统预测金刚石绳锯性能的开发，软计算。Civ. Eng. 1（2）（2017）52-69。[11] A.阿里亚法尔河Mikaeil，S.S. Haghshenas，S.S. Haghshenas，元启发式算法在锯床振动最优聚类中的应用，测量124（2018）20 https://doi.org/10.1016/j。measurement.2018.03.056网站。[12] R. Mikaeil，S.S.Haghshenas，S.S.Haghshenas，M.林明荣，基于模糊聚类技术的圆锯机性能预测，神经网络。Appl. 29（6）（2018）283 -292，https：//doi.org/10.1007/s00521-016-2557-4。[13] A. Dormishi，M.阿塔埃河卡卢卡凯河Mikaeil，S.S.张文，等.基于混合ANFIS-DE和混合ANFIS-PSO算法的排锯机性能评价.北京：机械工业出版社，2000，21（1）：117 - 118.（2018）1-16。[14] S.拜角，加-地Hua，T.埃尔韦特角王，基于多属性决策理论的花岗岩锯切工艺切削液选择方法的开发，J.Clean.Prod.185（2018）211https://doi.org/10.1016/j.jclepro.2018.03.053[15] V. Songmene，J. Kouam，A. Balhoul，花岗岩抛光过程中最小量润滑（MQL）对 细 颗 粒 和 超 细 颗 粒 排 放 和 分 布 的 影 响 ， 测 量 114 （ 2018 ） 398https://doi.org/10.1016/j。measurement.2017.10.012网站。[16] R. Mikaeil，Y.厄兹切利克湾Ataei，S.S.张文，金刚石绳锯机性能评价的和声搜索算法，中国矿业大学学报，2001。10（1）（2019）27-36.[17] N. Careddu，E.S.佩拉岛Masala，装饰玄武岩采石场的金刚石绳锯：技术、经济和环境考虑，Bull.Eng. 地质环境1-12（2017）。[18]国际岩石力学学会，岩石特性、测试和监测：ISRM建议的方法，牛津，佩加蒙，1981年。[19] M.B. Menhaj ， Computational Intelligence （ vol 1 ） ， Fundamentals ofNeuralNetworks ， Amir Kabir University Press ， 2008. ISBN978-964-463-087-3。[20] H.S. Fathabadi，M. Khodaei，具有随机容量和成本约束的网络流的可靠性评估，Int. J. Math. Operational Res.4（4）（2012）439-452。[21] R. Mikaeil，S.S. Haghshenas，S.H. Hoseinie，基于人工蜂群（ABC）算法和自组织地图的岩石渗透性分类，Geotech。Geol. Eng. 36（2）（2018）1309-https://doi.org/10.1007/s10706-017-[22] M. Gholami，K.Shahriar，M.Sharifzadeh，J.K.Hamidi，人工神经网络和多元回归分析在TBM性能预测中的比较，ISRM区域研讨会-第七届亚洲岩石力学研讨会，国际岩石力学与岩石工程学会，2012年。[23] S. 马赫代瓦里湾Shahriar，M.Sharifzadeh，D. D.张文，等，张文，等，等。申请28（11）（2017）3537-3555。[24] A.马隆德卡尔河科里佐岛基林加湾Ceci，N. Japkowicz，Spark-GHSOM：大规模混合 属 性 数 据 集 的