Materials and Manufacturing Processes· 2026Q1
MWCNT'li Mg-FML'lerin AWJ İşlenmesi İçin Hibrit ML-GCO Çerçevesi Optimizasyonu
A hybrid machine learning-GCO framework for multi-response optimization in AWJ machining of MWCNT infused Mg-FMLs
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Hibrit bir makine öğrenmesi (ML) ve Germinal Center Optimization (GCO) çerçevesi, MWCNT infüzyonlu Mg-FML'lerin aşındırıcı su jeti (AWJ) işlenmesini doğru bir şekilde tahmin eder ve optimize eder, yüksek tahmin doğruluğu (R2 > 0.90) elde eder ve %4.6'nın altında düşük onay hataları veren optimum koşulları belirler.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- MWCNT-Mg-FML'lerin AWJ işlenmesinin optimizasyonu için hibrit bir ML-GCO çerçevesi geliştirildi.
- Random Forest modeli, MRR, KW ve Fd için yüksek tahmin doğruluğu (R2 > 0.90) elde etti.
- Germinal Center Optimization (GCO), optimum işleme parametrelerini belirledi.
- Optimum koşullar düşük onay hataları verdi: MRR için %4.56, KW için %2.68 ve Fd için %4.03.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
A hybrid machine learning (ML)-assisted framework was developed to predict and optimize abrasive waterjet (AWJ) machining of multi-walled carbon nanotube (MWCNT)-infused magnesium fibre metal laminates (Mg-FMLs). Thirty experiments were conducted using a four-factor Box–Behnken design, and bootstrap sampling-based augmentation generated 540 additional synthetic observations. Random Forest (RF), Extreme Gradient Boosting (XGB), Decision Tree (DT), and AdaBoost Regressor (ABR) were evaluated for predicting material removal rate (MRR), kerf width (KW), and delamination factor (Fd). RF achieved R2 values of 0.9026, 0.9075, and 0.9140, respectively. Five metaheuristic algorithms were compared, and Germinal Center Optimization (GCO) achieved the highest overall objective value (0.5873). The optimal conditions were 0.6954 wt% MWCNT, 2764.75 MPa waterjet pressure, 784.17 mm/min traverse speed, and 454.83 g/min abrasive flow rate, yielding predicted MRR, KW, and Fd values of 113.22 g/min, 3.8781 mm, and 2.9148, respectively. Confirmation errors were found to be 4.56%, 2.68%, and 4.03%, respectively.
Yazarların özeti; kaynağından alınmıştır. Materials and Manufacturing Processes, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Ecological ModelingEnvironmental Science