الفهرس 
INTRODUCTIONOnly 14 pages are availabe for public view
 |  | from | 184 |  |  |
| | | from | 184 | | |
Abstract
الهدف من هذه الدراسة هو التحقيق في استخدام تقنيات الذكاء الاصطناعي الجديدة مثل خوارزميات المبارزة والحبار في تحسين جوده الأبعاد وجوده السطح بالاضافة الى درجة حرارة القطع وتأكل الحد القاطع فى عمليات الخراطة الصلدة وكذلك دراسة تاثير عناصر القطع الاساسية بالاضافة الى درجة الصلادة على المخرجات السالف ذكرها حيث انه في هذه الدراسة ، ستتم دراستة تأثير عناصر القطع مثل سرعة القطع ، ومعدل التغذية ، وعمق القطع بالإضافة إلى صلادة الشغلة على خشونة السطح ، وخطأ الاستدارة ، ودرجة حرارة القطع ، وتآكل الأداة في عملية الخراطة الصلدة لمنتجات الصلبAISI H13. على الرغم من أن العديد من الدراسات ناقشت تأثير معاملات القطع وصلادة الشغلة على خشونة السطح ، يناقش هذا البحث تأثير صلادة الشغلة على الخشونة من وجهة نظر جديدة. أيضًا ، تسلط الدراسة الحالية الضوء على جانب جديد آخر لم يتم تغطيته على حد علم المؤلف ، وهو كيفية تأثير صلادة الشغلة على خطأ الاستدارة في الخراطة الصلدة. علاوة على ذلك ، نادرا ما تم تضمين صلادة الشغلة كمُدخل فى دراسة درجة حرارة القطع. علاوة على ذلك ، أظهر إشراك الشبكة العصبية الاصطناعية (ANN) في النمذجة التنبؤية للاستجابات في الخراطة الصلدة وتقييم أدائها مقارنةً بالنمذجة التنبؤية لمنهجية سطح الاستجابة (RSM) بعض النتائج المتناقضة في الدراسات السابقة ، وبالتالي هناك حاجة لمزيد من التحقيقات في هذا المجال. أخيرًا ، تستخدم هذه الدراسة تقنيات تحسين جديدة مثل خوارزمية الحبار (CFA) وخوارزمية المبارزة (DA) بالإضافة إلى طريقة المجموع المُرجح (weighted sum method) بالإضافة إلى أدوات صنع القرار مثل عملية التسلسل الهرمي التحليلي (AHP) لتحسين عملية الخراطة الصلدة. كما سُتقترح نموذجًا جديدًا للتوأم الرقمى (DT) ”توأم رقمي قائم على العمليات” ليتم استخدامه كإطار لعمليات التشغيل.سيتم تصميم التجارب باستخدام RSM ، وسيتم صياغة النماذج الرياضية. سيتم تطبيق التحليل الإحصائي (ANOVA) لاختبار مدى صلاحية النماذج. ثم سيتم تحسين المخرجات باستخدام التقنيات المذكورة أعلاه. وأخيرًا ، يجب إجراء اختبارات التأكيد للتحقق من صحة النتائج. كشفت النتائج أن صلابة الشغل تعمل على تحسين الخشونة بشكل كبير عن طريق تقليل التأثير السلبي لمعدل التغذية ، وسيتم الكشف عن آلية هذه الظاهرة لاحقًا. أيضًا ، على الرغم من أن صلادة الشغلة ليست عامل التأثير الأكبر على خطأ الاستدارة ، ومع ذلك ، فقد وجد أنها تعمل على تحسين استدارة الأجزاء الصلبة. أيضا ، لوحظ أن كلا من الخشونة وخطأ الاستدارة تتأثر بشدة بقيم معدل التغذية. أظهرت النتائج أن تأثير صلادة الشغلة في تحسين خشونة السطح يتجاوز تأثيره في تحسين خطأ الاستدارة. كما أظهرت النتائج أن درجة حرارة القطع تتأثر بشدة بصلادة الشغلة. وأظهرت النتائج أيضًا أن تآكل أداة القطع يتأثر بشدة بسرعة القطع. علاوة على ذلك ، لوحظ أنه على الرغم من أن تأثير عمق القطع لا يعتد به إحصائيًا على المخرجات الأربعة ، إلا أنه تم العثور على أن جميعها تزيد بزيادة عمق القطع. وقد وُجد أيضًا أن الخطأ النسبي المتوسط لجميع الاستجابات بشأن استخدام ANN في النمذجة التنبؤية كان أقل من RSM الامر الذي يشير إلى الأداء العالي لـ ANN عند مقارنته مع RSM. كما أثبت CFA القوة والفعالية في التحسين على DA أو GA. وأخيرًا ، أظهر AHP أداءً عاليًا عند اقترانه بتقنية تحسين المجموع المُرجح لامثلة متعددة الأهداف لعمليات الخراطة الصلدة. ستساعد هذه الدراسة التجريبية في فهم العلاقة بين عناصر القطع وكذلك صلادة الشغلة من جهة وخشونة السطح الناتجة ، وخطأ الاستدارة ، ودرجة حرارة القطع وتآكل الأداة من جهة اخرى ، والتي ستنعكس بدورها على جودة العملية ومنظورات الاقتصاد.