Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Advances in Mechanical and Materials Engineering

1 2024

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Application of categorical boosting to modelling the friction behaviour of DC05 steel sheets in strip drawing test

Szewczyk Marek, Szwajka Krzysztof, Najm Sherwan Mohammed, Mohammed Salwa O.

Advances in Mechanical and Materials Engineering

2024

Vol. 41, nr 1

69-78

It is challenging to model the coefficient of friction, surface roughness, and related tribological processes during metal contact because of flattening, ploughing, and adhesion. It is important to choose the appropriate process parameters carefully when creating analytical models to overcome the challenges posed by complexity. This will ensure the production of sheet metal formed components that meets the required quality standards and is free from faults. This research analyses the impacts of nominal pressure, kinematic viscosity of lubricant, and lubricant pressure on the coefficient of friction and average roughness of DC05 deep-drawing steel sheets. The strip drawing test was used to determine the coefficient of friction. This work utilises the Categoric Boosting (CatBoost) machine learning algorithm created by Yandex to estimate the COF and surface roughness, intending to conduct a comprehensive investigation of process parameters. A Shapley decision plot exhibits the coefficient of friction prediction models via cumulative SHapley Additive exPlanations (SHAP) data. CatBoost has outstanding prediction accuracy, as seen by R2 values ranging from 0.955 to 0.894 for both the training and testing datasets for the COF, as well as 0.992 to 0.885 for surface roughness.

Modelowanie współczynnika tarcia, chropowatości powierzchni i powiązanych procesów tribologicznych podczas kontaktu powierzchni blachy i narzędzi jest trudnym wyzwaniem ze względu na spłaszczanie, bruzdowanie i sczepianie nierówności powierzchni. Podczas tworzenia modeli analitycznych ważne jest, aby ostrożnie wybierać odpowiednie parametry procesu. Zapewni to produkcję elementów formowanych z blachy spełniających wymagane standardy jakościowe i pozbawione wad. W pracy analizowano wpływ ciśnienia nominalnego, lepkości kinematycznej smaru i ciśnienia smaru na współczynnik tarcia i średnią chropowatość powierzchni blach stalowych głęboko tłocznych DC05. Do wyznaczenia współczynnika tarcia wykorzystano test przeciągania pasa blachy. W pracy tej wykorzystano algorytm uczenia maszynowego CatBoost, stworzony przez firmę Yandex, w celu oszacowania wartości współczynnika tarcia ni chropowatości powierzchni. Przeprowadzono kompleksowe badania parametrów procesu tarcia. Modele przewidywania współczynnika tarcia na podstawie funkcji SHapley Additive exPlanations (SHAP)przedstawiono za pomocą wykresu decyzyjnego Shapleya. CatBoost charakteryzuje się wyjątkową dokładnością przewidywania potwierdzoną wartością R2 w zakresie od 0.955 do 0.894 zarówno w przypadku zbiorów danych uczących, jak i testowych dla współczynnika tarcia, a także od 0.992 do 0.885 w przypadku średniej chropowatości powierzchni.