Βελτίωση μοντέλου ANFIS για την πρόβλεψη μηχανικών ιδιοτήτων δοκιμίων προσθετικών κατασκευών
Optimization of ANFIS model for predicting the mechanical properties of AM specimens
Λέξεις-κλειδιά
ANFIS ; Προσθετική κατασκευή ; Νευρο-ασαφή συστήματα ; Μηχανικές ιδιότητες ; Βελτιστοποίηση ; Τεχνητά νευρωνικά δίκτυα ; Ασαφή συστήματα ; Ασαφής λογικήΠερίληψη
Η διπλωματική εξετάζει την ενσωμάτωση τεχνολογιών Προσθετικής Κατασκευής (ΠΚ) με Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) και Νευροασαφή Συστήματα (ANFIS) για τη βελτίωση της ακρίβειας, της αποδοτικότητας και των μηχανικών ιδιοτήτων των
εξαρτημάτων που εκτυπώνονται με 3D εκτύπωση. Η Προσθετική Κατασκευή, μια διαδικασία δημιουργίας αντικειμένων με την προσθήκη υλικού στρώμα προς στρώμα, έχει φέρει επανάσταση στην παραγωγή πολύπλοκων γεωμετριών σε διάφορες βιομηχανίες. Ωστόσο, η βελτιστοποίηση των μηχανικών ιδιοτήτων και της ακρίβειας των εκτυπωμένων εξαρτημάτων παραμένει μια πρόκληση. Συνδυάζοντας τις ικανότητες μάθησης των ΤΝΔ με την ικανότητα λήψης αποφάσεων της ασαφούς λογικής, το μοντέλο ANFIS μπορεί να βελτιστοποιεί προσαρμοστικά τις παραμέτρους εκτύπωσης για τη βελτίωση της ποιότητας των εξαρτημάτων. Τα
πειραματικά δεδομένα που συλλέγονται από τις διαδικασίες ΠΚ χρησιμοποιούνται για την εκπαίδευση του μοντέλου ANFIS, επιτρέποντάς του να προβλέπει αποτελέσματα όπως την τάση, την παραμόρφωση και το μέτρο ελαστικότητας υπό διάφορες συνθήκες εκτύπωσης. Η απόδοση του μοντέλου ANFIS αξιολογείται με τη χρήση δεικτών όπως το μέσο τετραγωνικό σφάλμα (RMSE) και το R-squared (R²) για να διασφαλιστεί η ακρίβεια και η αξιοπιστία του σε πραγματικές εφαρμογές.
Περίληψη
The thesis explores the integration of Additive Manufacturing (AM) technologies with Artificial Neural Networks (ANN) and Neuro-Fuzzy Inference Systems (ANFIS) to enhance the precision, efficiency, and mechanical properties of 3D-printed components. Additive Manufacturing, a process of creating objects by adding material layer by layer, has revolutionized the production of complex geometries in various industries. However, optimizing printed parts' mechanical properties and accuracy remains a challenge. By combining the learning capabilities of ANNs with the decision-making prowess of fuzzy logic, the ANFIS model can adaptively refine printing parameters to improve part quality. Experimental data collected from AM processes are used to train the ANFIS model, allowing it to predict outputs such as stress, strain, and deformation under various printing conditions. The performance of the ANFIS model is evaluated using metrics like root mean square error (RMSE) and R-squared (R²) to ensure its accuracy and reliability in real-world applications.
Αριθμός σελίδων
63Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανολόγων ΜηχανικώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές