Al/SiCp MMC电火花线切割加工性能参数的建模与预测

工程科学与技术，国际期刊22（2019）468完整文章基于量纲分析和人工神经网络的Al/SiCp MMC电火花线切割加工性能参数建模与预测曼盖什河Phatea，Shraddha B.托尼ba全印度Shri Shivaji纪念协会印度，马哈拉施特拉邦，浦那，纳赫，辛加德科技学院，邮编411041。阿提奇莱因福奥文章历史记录：接收日期：2018年2018年9月25日修订2018年12月11日接受2018年12月24日在线提供关键词：尺寸分析白金汉人工神经网络A B S T R A C T本文用量纲分析法（DA）和人工神经网络（ANN）对Al2124SiCp（0，15，20）金属基复合材料（MMC）的数控电火花线切割加工（WEDM）进行了分析该模型制定相关的独立参数，如脉冲时间，脉冲关闭时间，送丝速度，电流，电压，工件材料的热导率，热膨胀系数，密度和丝张力与依赖参数的表面粗糙度和材料去除率通过实验设计（DOE）计划。从实验结果来看，脉冲时间、导热系数、热膨胀系数、送丝速度和丝张力是影响最大的参数。为了了解所制定的DA和ANN模型的准确性，计算相关系数（R2）从R2值，很明显，DA和人工神经网络的方法是胜任预测的表面粗糙度和材料去除率。此外，使用人工神经网络方法制定的模型被认为是更可靠的比DA方法。较高的R2值（99.9910%）和较低的值的各种误差为基础的参数表明，DA和ANN模型的充分性和可靠性。DA和ANN模型的比较研究揭示了ANN模型的准确性，因此建议。©2018 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. 介绍本文介绍了2124铝和0-20%碳化硅（AlSiCp 0-20）的数控线切割加工Al2124是一种具有广泛工程应用的有色铝合金碳化硅具有硬度高、热膨胀小、耐高温性好等特点。它用于高功率和更高电压的应用。因此，选择含0、10和20%SiC（按重量计）的Al基金属基复合材料进行研究。电火花线切割加工在导电材料的微细加工中占有相当重要的电火花线切割加工是当今世界公认的一种线切割加工中最重要的响应变量是表面质量和达到的材料去除率以及材料去除率。影响电火花线切割加工性能的参数有脉冲的开启时间、脉冲的关闭时间、送丝速度和输入电流Bobbili等人[1]分析了影响参数对响应参数的影响，即MRR和Ra，*通讯作者。电子邮件地址：mangeshphate03@gmail.com（M.R.Phate）。由Karabuk大学负责进行同行审查。应用DA方法和ANN方法。Saha等人[2]研究了在堆焊材料中加入纳米颗粒以提高设备性能和可靠性。他们将灰色关联分析（GRA）与主成分分析（PCA）相结合，Abraham等人[3]采用搅拌摩擦工艺制备了铝基金属基复合材料（MMC）。Sharama等人[4]使用黄铜丝电极加工高强度低合金钢。他们应用响应面方法（RSM）的分析和建模的角度来看。采用遗传算法进行多响应优化。Senthilkumar等人[5]采用灰色关联模糊等级技术结合田口法分析了加工工艺参数和硬质合金刀片接近角对后刀面附近的表面粗糙度、材料去除率和刀具磨损等响应的影响Ulas等人[6]评价了各种线切割工艺参数对材料表面粗糙度和冶金性能的影响。建立了白层厚度和表面质量的ANFIS模型Vinoth Kumar等人[7]尝试使用常规和低温冷却WEDM工艺进行增强，以分析含SiC（10%重量）的铝基MMC沙利斯冈卡尔https://doi.org/10.1016/j.jestch.2018.12.0022215-0986/©2018 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/jestchM.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468469××¼等人[8]提出了使用效用概念对纯钛进行多响应优化。研究了黄铜丝材的电火花线切割加工工艺参数，如涂层和非涂层丝材、脉冲对已经检查了关断时间、送丝速率、电流、电压对响应变量表面粗糙度、材料去除速率和焊丝消耗的影响。Chen等人[9]采用反向传播神经网络和模拟退火算法来确定电火花线切割的最佳工艺参数田口L18正交阵列（OA）已被用于实验。利用人工神经网络和模拟退火算法（SAA）对电火花线切割加工工艺参数与表面粗糙度、最大表面粗糙度等响应变量进行了关联。Suresh Kumar等人[10]采用灰色关联分析优化了用于加工铝基碳化硼（0至10%重量）MMC的WEDM工艺参数。考虑的各种响应变量的解释是表面粗糙度，切口宽度。Phate等人[11，12]采用DA方法将黑色金属和有色金属材料的干式加工中的各种加工参数关联起来。Asilturk等人[13]使用多重回归和人工神经网络进行车削过程。他们分析了将DA和ANN相结合，将有助于以高效的方式进行分析2. 实验详情2.1. 材料和方法本文研究了尺寸为80 mm的Al 2124 SiCp（0，15，20）浓度矩形复合MMC55毫米20 mm和直径为0.25 mm的黄铜丝。实验在Ultracut S0 数 控 电 火 花 线 切 割 机 床 上 进 行 。 (Make ： M/SElectronica，Ultracut So Model，Pune，Maha-rashtra，印度）。铝 合 金 2124 （ 0.1%Cr 、 3.9%Cu 、 0.3%Fe 、 1.5%Mg 、 0.2%Si 、0.4%Mn、0.25%Zn和Al剩余）工件用于实验。实验装置和工件几何形状的图片如图1所示。电火花线切割加工性能的表面粗糙度（Ra）和材料去除率（MRR）估计。性能参数即材料去除率（MRR）通过以下等式计算：（一）.切削参数如进给量、切削速度和切削深度对表面质量的影响。Gaitinde等人[14]用人工神经网络分析MRR称重前-称重后加工时间ω工件密度ð1Þ传统的刮水器和陶瓷刀片的性能，机械加工通过这些技术获得了可接受的和有效的结果。Jamadar等人[15]使用基于前馈反向传播训练网络的DA方法和ANN来分析由于轴承部件缺陷引起的响应，以测量部件的损坏程度。通过DA方法获得了可接受的结果。Jun等人[16]使用基于特征应变的有限元（FE）方法研究了 Debaprasanna 等 人 [17] 使 用 主 成 分 分 析 研 究 了 AlSiC MMC 在WEDM调查考虑的Nain等人[18]分析了超合金Udimet-L 605的加工行为。实验使用Taguchi采用灰色关联分析法，得到了使表面粗糙度最小、金属去除率最大的优化结果。Goswami等人[19]研究了Nimonic80A材料的微调切割WEDM的特征。研究内容包括材料去除率、表面粗糙度、金属丝磨损率和显微组织分析。进行方差分析（ANOVA），以检验工艺参数脉冲开启时间、脉冲关闭时间、峰值电流和电流偏移的影响。Unune等人[20]研究了工艺参数对材料的影响去除率和切缝宽度。在分析过程中，他们观察到电容是最具影响力的参数。Karabulut等人[21]研究了WEDM工艺参数对颗粒增强Al6061合金复合材料表面粗糙度的影响 实验是使用田口的L18实验计划进行的Mia等人[22-钢复合材料用Levenberg-Marquardt（LM）、Bayesian正则化（BR）、标度共轭梯度法（SCG）等算法训练神经网络.从文献回顾中可以看出，大多数研究人员都研究了不同合金线切割过程中工艺参数的影响。而对Al-SiC复合材料的研究还很少。该复合材料在航空航天、电子工业等领域有着广泛的应用前景。本文的工作有助于确定有利于加工工业的工艺参数的优化水平。的方法其它性能参数表面粗糙度（Ra）采用三丰SJ-201便携式数字表面粗糙度仪测量。2.2. 实验计划在目前的工作中，三个阶段的研究工作是必不可少的，以分析所列的性能参数。第一阶段是确定各种工艺参数，进行各种实验，并测量所进行的每个实验的响应。根据田口的L27实验计划进行实验第二阶段是对实验数据进行模型计算，使参数相互关联。分析中采用的两种方法是（1）DA方法和（2）ANN。是对所制定的模型的分析。在本工作中，所有计算和各种绘图都是使用MATLAB R2015版本进行的表1列出了考虑用于验证的参数列表。实验数据如表2所示。2.3. ANN模型在过去的几十年里，人工神经网络已成为最受欢迎的建模方法。采用人工神经网络仿真方法对电火花线切割加工性能参数Ra和MRR进行了预测。电火花线切割机执行27Fig. 1. 实验设置和工件几何形状。470M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468表1研究中考虑的参数详情性质因子符号单元范围输入工件密度Q克/厘米32800输入SiC粉末重量%CP%0–20输入峰值电流IPAmp11–12输入材料的导热系数K瓦特/米0C145输入热膨胀一0C-115 ×10-6输入间隙电压VG伏1-2输入脉冲on时间吨ms 108-112输入占空比不ms/ms 0.65-0.68输入线张力重量KGF 9-11输入送丝速度WFRmm/min 4-6输入脉冲off时间吨ms 52-56表2观察台。通过突触权重与输出层互连，使得隐藏层的每个神经元连接到输出层的每个单个神经元输出层提供响应的数值[22]。本文采用Levenberg-Marquardt 反向传播（trainim ）训练算法，隐层神经元数分别为15和20用于计算的传递函数（tansig）人工神经网络的计算算法分为三个部分。算法的训练是人工神经网络的第一步输入数据连同响应变量数据一起被发送到ANN。最初，权重随机设置当达到可接受的水平时，终止ANN算法中的训练步骤在第一阶段中获得的权重被用来获得ANN响应。第二步是测试阶段，最后一步是验证阶段。总共70%的数据用于训练，15%用于测试，其余15%的数据用于验证目的。人工神经网络模型的基本结构如图所示。2用于本工作的一般方法如图所示。3.第三章。每个实验重复三次，并考虑响应变量的平均值进行分析。表4所示的统计参数用于确定模型的验收水平3. 结果和讨论使用所选四个参数的不同值进行切割操作。从工件的不同区域测量Ra三次。使用Levenberg-Marquardt（trainim）进行ANN分析[29，30]。两个模型的隐藏层的数量从3到20不等。已经观察到，对于15和20个隐藏层获得最佳相关性。因此，表5中仅显示了15和20个隐藏层。前馈反向传播神经网络用于ANN响应。学习率为0.05，动量因子为0.95人工神经网络具有以非常精确的方式解决非常复杂的问题的能力。因此，采用人工神经网络对铝-碳化硅复合材料电火花线切割加工过程中的响应进行了仿真和预测一般来说，人工神经网络工作在一个三层结构，如图所示。 二、这三个层是输入层、隐藏层和输出层。输入层采用与输入参数相关的数据。隐藏层从输入层接收数据并将数据发送到下一个输出层。隐层利用传递函数计算响应变量。人工神经网络是一个类似于人脑功能的非线性系统。神经网络共分三层，输入层的神经元将输入的数值传递给网络。输入层的每个神经元只能取一个输入值，该值被传递到隐藏层，隐藏层3.1. 使用DA的参数“N”（如脉冲开启时间、脉冲关闭时间、电流、电压、送丝速率、丝张力、SiC粉末重量百分比、热膨胀系数、材料导热率、材料密度、表面粗糙度和材料去除速率）之间的关系设N为变量总数=12，M为基本维数，可用于表示其余变量= 05，即质量、长度、时间、电流和温度（M、L、T、I和T）。所选变量的基本尺寸见表3。因此，整个变量可以如下关联[26]：MRR; Ra;K;a; VG; TON; T; WT; WFR;MRR;Ra; P; K; a ; VG ; TON ; T ;WT ; WFR ; MRR;Ra基于Buckingham用于估计Ra和MRR的pi项可表示如下：使用白金汉的π定理，每个维π项可以表示为（等式2）。（3）p1¼qA1IPB1 KC1aD1 VGE1Ra 300运行顺序吨TOFFWFRIPRAMRR1108564112.0637.8622108564112.134.1583108564112.1239.4524108545122.8445.3695108545122.7947.9856108545122.8149.527108526123.268.1258108526123.2562.9029108526123.3465.55910110565123.1280.12111110565123.3384.73112110565123.5282.33913110546113.7721.79114110546113.8420.44315110546113.9222.23116110524122.2626.51117110524122.1930.89518110524122.5121.76119112566123.4567.8120112566123.5871.35121112566123.6175.22122112544122.7465.2123112544122.7252.2124112544122.7961.22125112525113.3263.1126112525113.4461.39127112525113.5271.397M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）4684715不221A1B1 C1E1 D13333333Þ3图二. ANN基本结构p5¼qA1IPB1KC1aD1VGE1Tp6¼qA1IPB1 KC1aD1 VGE1WT 800p7¼qA1IPB1 KC1aD1 VGE1WFR 900其中A、B、C、D和E是变量的幂指数。在等式的每项即M、L、T、I、b的两边幂相等之后，（3）我们得到以下π项（等式（10）14q3K3MRR¼ð10ÞIP3VGP3KRAVGIPð11ÞpaK3TON3¼q1IPVG4ð12Þ3Þ3p4¼CPð13ÞpaK3WT5¼q1IPVG4ð14Þ第6页¼IPVG300WFRK-3战斗机ð15Þ图三. 电火花线切割加工分析方法。p2¼qA1IPB1 KC1aD1 VGE1 MRRð4Þ由于G1和G2是G3、G4、G5和G6的函数.因此，MRR和Ra的方程可以写成[23]：p1½fp 3;p 4;p 5;p 6的EQ。（16）可以表示为p1¼K 1p 3ap 4bp 5cp 4d17a此外，上述等式可以写成：p/qIPK aVGCP5004MRR.你好！a.C PP PB.K22WT！C.IPVG1WFR！DIP5瓦VG4瓦K1q1瓦IPVG瓦4Tq1瓦IPVG4瓦K第二页1254p472M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468p4¼qA1 IPB1KC1一个D1VGE13 333联系我们3Þ3Þ317betM.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）4684735.Þ不3Þ3ðÞ3Þ3330 002883aVG卡琳娜·克兰顿CP33243MRR表3研究中考虑的参数的M、L和T尺寸性质因子符号机外型输入工件密度Qgm/cm3 M1 L-3 T0 I0b0输入SiC粉末重量%CP%M0 L0 T0 I0b0输入峰值电流IPM0 L0 T0 I1b0输 入输 入输入材料的导热系数热膨胀系数间隙电压K一VG瓦/米0C M1 L1T I0b0C-1M 0L 0T 0I 0b-1电压M1 L2 T-3 I-1b0输入脉冲on时间吨ms M0 L0 T1 I0b0输入占空比不ms/ms M0 L0 T0 I0b0输入线张力重量Kgf M1 L1 T-2 I0b0输入送丝速度WFRmm/min M0 L1 T-1 I0b0输出材料去除率MRRmm3/min M0 L3 T-1 I0b0输出表面粗糙度RAmm M0 L1 T0 I0b0MRR ¼K1I P5VG4.K5吨！a.CPb.K2WT！C.你好！D1414不142类似地，表面粗糙度方程可以写为：VGIP。你好！1分465秒1. CP0：009714q3K3q3IPVG2013q3IPVG2013K-3战斗机Kq3IPVG3Tð18Þ.K22WT！-0：4717.你好！0：9593求解上述方程。（18）[26，28]。所获得的指数为3×q1×IPVG43吉亚卡ð20Þ如下IP地址：五个！7分146秒00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000003Þ330.40.351/4：1414q3K3q3IPVG3T0.3.K22WT！-五点六九八分IPVG1WFR！-0：4596140.25q3IPVG2013K-3战斗机Pi20.2MRR¼ 2： 88ω 10-3×K7： 0777a9： 7577TON7：1461ð19Þ0.150.10.050 5 10 15 20 25 30. CP-001IP7： 7048VG0： 4373q0： 6694WT 5： 6982WFR 0： 4596已开发了基于DA方法的MRR数学模型，工艺变量如表3所示。统计参数见表4。对模型的系数和功效指数进行了评价。 热膨胀系数、脉冲开启时间以及工件材料的热导率等指标表明这些参数对MRR的影响显著。另一个参数显示了对MRR的不利影响。从等式根据公式（19），已经观察到，随着脉冲接通时间以及工件材料的热导率和热膨胀系数的增加，MRR继续增加。SiC重量%的增加显示出对MRR的不利影响。随着SiC质量分数的增加，MRR继续下降。导丝张力也显示出对MRR的反向影响。随着WFR的增加，MRR继续下降。运行见图4。表面粗糙度的实验值和DA预测值的比较。10.90.80.70.6Pi10.50.40.30.20.100 5 10 15 20 25 30运行图五.实验值和DA预测值MRR的比较。表4所开发的DA和ANN模型的统计参数的详细信息实验DA预测值实验DA预测值2（K* Ra）/（Alpha* VG*IP）×Ra1/ 2：055666×474M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468S.N.统计参数DA模型ANN模型RAMRRRAMRR1平均绝对误差（MAE）0.21690.100460.002120.072712均方误差（MSE）0.0006760.0144430.0000740.005333均方根误差（RMSE）0.026000.1201790.002710.0730664相关系数（R2）0.923450.941270.999990.999455均方相对误差（MSRE）0.030610.375150.000130.09565M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468475ÞK0： 4879a2： 4879TON1： 4651WFR0： 9593Ra2：055666。CP0：0097VG004734IPqWT0：471721图六、 回归图ANN训练、验证、测试和总体输出（Ra）。已开发了基于DA方法的Ra数学模型，工艺变量如表3所示。统计参数见表4。对模型的系数和功效指数进行了Ra评估。热膨胀系数、脉冲时间、送丝速率以及工件材料的热导率的指标表明这些参数对Ra的显著影响。另一个参数显示了对Ra的不利影响。从等式在式（21）中，已经观察到，随着脉冲接通时间和焊丝进给速率的增加，Ra继续增加。增加SiC的重量%对Ra具有不利影响。随着SiC含量的增加，Ra值继续下降。导丝张力也显示出对Ra的反向影响。为了研究影响DA建模精度的因素，在图1和图2中进行了实验和DA模型响应之间的比较。分别为4和5。误差分析和相关系数的获得反映了所建模型的可靠性或拟合精度。DA模型的统计分析见表4。从上述图中注意到，平均预测误差小于10%。图7.第一次会议。ANN训练、验证、测试和总体输出（MRR）的回归图不ðω01144476M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468基于Ra和MRR模型的DA系数分别为0.92345、0.94127。3.2. 人工神经网络模型通过人工神经网络的仿真实验，验证了训练输出数据的正确性，成功率在99%以上，表明人工神经网络方法优于DA方法。人工神经网络性能参数如图1和图2所示。六比九图图10和图11中的数据与实验总数（即运行次数）以及通过DA模型预测的Ra和MRR值与实际值相结合绘制成图。如表4所示的统计分析进一步证实了这一点，表4显示，对于基于ANN的模型，获得的相关系数值最高，误差参数最小从表5中可以看出，对于Ra和MRR模型，4-20-1 ANN结构与实际系统最佳拟合。该架构获得的相关系数约等于0.999。实验、DA和ANN响应之间的比较如表6所示。为了减小实际响应值与神经网络预测响应值之间的误差，采用试错技术来确定隐层所需的神经元数目因此，19个（70%）响应值用作训练，4个（15%）响应值用作验证，4个（15%）响应值用于测试ANN中的数据[29，30]。在确定隐藏层中的神经元数量后，进行各种训练运行以找出最佳可能的权重、误差和相关性。采用前馈反向传播神经网络对神经网络进行训练。用于ANN训练、测试、验证的线性拟合模型以及Ra和MRR模型的总体数据集如图1A和1B所示。分别为6和7。这些数字用于生成相应的人工神经网络值。 在图图10和图11示出了实际响应与ANN预测响应变量之间的校正。ANN模型的统计分析如表4所示。Ra和MRR模型的相关系数分别为0.9999和0.99945。神经网络基Ra模型的均方误差（MSE）和均方根误差（RMSE）为0.000074&0.40.350.30.250.20.150.1见图8。 输出（Ra）的验证性能。0.050 5 10 15 20 2530运行见图10。实验值和ANN预测值Ra的比较。1.41.210.80.60.40.2见图9。输出验证性能（MRR）。00 5 10 15 20 25 30运行图十一岁实验值和人工神经网络预测值MRR的比较实验ANN预测实验ANN预测PID2（K *Ra）/（Alpha* VG*IP）M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468477表5ANN模型的性能参数。训练算法隐层数样本MSE R2表面粗糙度模型（Ra）Levenberg- Marquardt（trainim）15培训0.00213120.995182验证0.02289110.991426测试0.03436610.99982020验证0.00815000.995900测试0.00742500.999910材料去除率模型Levenberg- Marquardt（trainim）15培训0.00785230.983814验证0.005856980.995340测试0.003625120.993977培训0.008231200.98351020验证0.008562540.999450测试0.004582450.995420表6实验，DA和ANN预测Ra和MRR之间的比较。运行顺序实验DA模型ANN模型Pid 1（Ra）Pid 2（MRR）Pid 1（Ra）Pid 2（MRR）Pid 1（Ra）Pid 2（MRR）10.181030.49130.189020.4993470.1800.56220.184540.44320.196080.4983880.1830.51530.186300.51190.196680.4983070.1850.58240.228770.50910.226900.5763280.2260.57950.224750.53840.234500.5752560.2220.60860.226360.55570.235150.5751650.2240.62570.257770.76450.280920.7589580.2540.82780.261800.70580.289300.7576160.2580.77090.269050.73570.290020.7575030.2650.799100.251330.89910.244710.8479240.2480.958110.268250.95080.252570.8464510.2641.008120.283550.92400.253240.8463260.2790.982130.331300.28270.285860.4839080.3250.360140.337450.26520.294320.4829720.3310.343150.344480.28840.295040.4828930.3380.365160.091020.11750.059020.2776490.0920.199170.088200.13690.064200.2770180.0900.218180.101090.09640.064640.2769640.1020.179190.138950.30050.139350.391290.1390.377200.144190.31620.145690.3904910.1440.392210.145400.33340.146210.3904240.1450.409220.110360.28900.071020.4369570.1110.366230.109550.23140.076430.4360910.1100.310240.112370.27130.076890.4360180.1130.349250.145870.32350.123010.4576540.1460.399260.151150.31470.129110.4567570.1170.391270.154660.36590.129630.4566810.5270.4410.00271。统计分析表明，每个响应的实际值和预测值非常接近。这些值中的每一个的闭合度为1.00，则预测越好。由于人工神经网络模型具有较高的相关系数，因此它是预测。由于ANN模型具有较高的R2，因此与DA模型相比，它被认为是更好的模型。Ra和MRR响应模型的最佳验证性能曲线如图2所示。 七比九实际的或实验的响应与ANN预测的响应之间的比较如图1A和1B所示。8和9。使用DA和ANN技术，使用表1中列出的所有工艺变量制定Ra和MRR模型。模型的系数和功效指数反映了参数对响应变量的影响。通过对与材料去除率（MRR）相关的DA模型指标的分析，得出了材料去除率与DA模型参数之间的关系.当量（18）和表面粗糙度（Ra），即方程根据公式（21），工件的功率特性，例如热膨胀系数、热导率和参数脉冲时间是直接影响MRR和Ra的最重要的参数SiC的%成分、电流、工件密度等参数为线张力对MRR和Ra有相反的影响。送丝速度直接影响表面粗糙度，而材料去除率则相反。当概括能力停止提高时，即为停止训练的标准这通过相关系数和均方误差的增加来指示当分析图时观察到。如图10和11所示，ANN响应与目标（实验）值之间存在良好的拟合。 在MSE和性能方面的结果示于表5、图2和3中。 6和7表明，在训练、测试、验证和总体数据中，Ra和MRR模型的相关系数非常接近0.9999。类似地，对于所有数据，MSE的值非常小这些值被认为是一个非常优越的DA模型。当我们通过MSE比较DA模型和ANN时，可以得出结论，Ra的DA模型的MSE值为0.000676，ANN模型的MSE值为0.000074。ANN模型的均方误差比DA模型小近9.13倍（913.33%）类似地，MRR的DA模型的MSE值为0.014443，ANN模型的MSE值为0.00533。人工神经网络模型的MRR的MSE比DA模型小2.71倍478M.R. Phate，S.B.托尼/工程科学与技术，国际期刊22（2019）468在这两种建模技术中，发现预测的响应非常接近实际响应值。对比结果表明，这两种方法都能较好地关联线性和非线性参数。但当我们比较神经网络方法和DA方法时，神经网络建模方法优于DA模型。4. 结论本文建立了基于DA和ANN的AlSiCp MMC电火花线切割加工表面粗糙度和材料去除率从目前的工作中得出以下结论i. 材料去除率和表面粗糙度随着脉冲时间和热导率的增加而增加。ii. 材料去除率和表面粗糙度随着SiC成分的增加而降低。iii. 在所有工艺参数中，发现脉冲开启时间（TON）是最具影响力的参数，其次是电流和送丝速率。iv. DA和ANN模型能够预测响应。v. 根据DA和ANN模型得到的结果ANN方法比DA方法优越得多因此，本文的工作将有助于国内外研究人员在SiC基复合材料领域开展工作，并采用DA和ANN等技术测量其性能，同时也有助于机械加工行业优化其可用资源。未来研究的局限性如下：1. 目前的工作仅限于评估一些主要因素进行分析和预测，而可能有一些额外的因素，影响电火花线切割工艺的性能参数。2. 针对特定材料和特定机床的数据建立了公式化模型。 对于不同的复合材料和SiC浓度，可以制定类似的模型。未来的工作可以包括调查一些缺失的因素，它们对响应参数的影响。根据现有数据，结果可能会有所不同。致谢作者要感谢Kakade激光，Narhe，浦那和印度马哈拉施特拉邦为完成本工程提供车间引用[1] R. Bobbili，V. Madhu，A.高嘉，装甲材料电火花线切割加工中材料去除率和表面粗糙度的建模与分析，工程科学。Technol. 国际米兰。J. 18（2015）664-668中所述。[2] A. Saha，S.陈晓，“纳米结构材料电火花线切割加工的多目标优化方法”，中国科学院学报. 技术测量。94（2016）46-49。[3] A. Joyson，S.钱德拉岛杜纳哈兰湾王文，石英颗粒增强铝基复合材料的研究，北京大学学报，2003。亚洲陶瓷学会4（2016）381-389.[4] N.夏尔马河，巴西-地Khanna，D.王志文，基于响应曲面法和遗传算法的高速低合金线切割加工工艺参数研究，中国科学技术出版社，2001。Tech. 18（2015）171-177。[5] N.陈文龙，一种基于灰色模 糊 理 论 的 切 削 参 数 优 化 方 法 ， 中 国 机 械 工 业 出 版 社 。Eng. Mangt. 10（4）（2015）195-208.[6] C. Ulas，H. Ahmet，E.李文，自适应神经模糊推理系统（ANFIS）模型在电火花线切割加工中的应用。与App。 36（2009）6135-6139。[7] V.S. Kumar，P.M. Kumar，Al-SiCp MMC的常规EDM和低温EDM加工工艺参数和表面完整性，J. Manf.过程20（2015）70-78。[8] R. Chalisgaonkar，J. Kumar，考虑多个用户偏好的商业纯钛（CPTi）微调切割线切割操作的多响应优化和建模，Eng. Sci. Tech. Int. J. 18（2015）125-134。[9] H.C. 陈建章林耀光杨正熙<英>来华传教士。，1937--人蔡，纯钨电火花线切割加工的神经网络集成模拟退火方法的优化，专家系统。与App。 37（2010）7147-7153。[10] S.S. 库 马 尔 ， M 。 Uthayakumar ， S.T.Kumaran ， P.Parameswaran ，E.Mohandas湾Kempulraj，B.S. Ramesh Babu，S.A. Natarajan，基于灰色关联分析的铝基复合材料电火花线切割加工参数优化。， J制造商过程 20（2015）33-39。[11] M.陈文辉，金属切削加工中切削速度与切削功率的数学模型，北京工业出版社，2001。 机甲印第安纳Eng. 9（1）（2015）351-362。[12] M.R. Phate，V.H.Tatwawadi，J.P. 李文，基于表面粗糙度的6063铝合金切削加工模型的建立，北京：机械工业出版社，2003。 J. 5（7）（2012）38-46。[13] I. Asilturk，M. 应用人工神经网络和多元回归方法对车削加工表面粗糙度的建模和预测，Exp。Sys. App.38（2011）5826-5832。[14] V.N. Gaitonde S.R.卡尔尼克湖Figueira，J.P. Davim，通过人工神经网络建模对传统和修光陶瓷刀片进行硬车削性 能 比较 ，Int.J. Adv. 制造商Tech.52（2011）101-114。[15] I.M. Jamadar，D.P.Vakharia，一种集成量纲分析和神经网络的滚动轴承局部故障检测新方法，J。否则，Meas。94（1）（2015）177-185。[16] T.S. Jun，F.罗通多角松湖，澳-地Ceschini，A.M. Korsunsky，AA 2024/AlSiCp复合材料线性摩擦焊接中的残余应变，Mater. Des. 31（2010）S117- S120。[17] P. Debaprasanna，S.S.马哈帕塔湖Sahu，AlSiCp MMC上非常规加工的多响应优化的混合方法，测量46（2013）3581-3592。[18] S.S. Nain，D. Garg，S.王志华，超合金线切割加工工艺参数的优化与建模，北京，科学出版社。Technol. Inter. J. 20（2017）247-264.[19] A. Goswami，J. Kumar，使用线切割EDM对Nimonic 80A合金进行修整切割加工和表面完整性分析，Engg，Sci. Technol. An Inter. J. 20（2017）175-186.[20] D.R. Unune，H.S.马丽，低频振动微细电火花线切割加工铬镍铁合金718的实验研究，工程，科学。Technol. 中间截留 J. 20（2017）222-231。[21] S.卡拉布鲁特湾Gokmen，H.卡拉科克岛卡尔坎河Citak，B4c颗粒增强铝6061复合材料在线切割电火花加工中的实验研究，Sci.艾利克斯Lib.期美国国家科学院Sci.乌克里安37（9）（2015）1239-1251。[22] M. Mia，N.R.Dhar，使用人工神经网络预测高压冷却剂下硬车削的表面粗糙度，测量92（2016）464- 474。[23] M. Mia，M.H.拉齐岛艾哈迈德河Mostafa，S. Rahaman，D.H. Ahmad，p.R.北卡罗来纳州戴伊张文，等离子体表面粗糙度的计算机模拟，机械工程学报，2001。技术91（2017）3211-3223。[24] M. Mia，N.R.张文，李晓刚，李晓刚，等.基于响应面法和神经网络的硬态车削温度预测模型. Adv. Res. 7（2016）1035-1044。[25] M. Mia，文学硕士北卡罗来纳州汗Dhar，在涂层WC刀具的低温射流下车削Ti-6Al-4时使用ANN、RSM和ANOVA进行的表面粗糙度和切削力研究，Int.