An ML-based approach for inverse identification of heat flux in machining
Paper i proceeding, 2022

This study presents an efficient and robust inverse approach to obtain the heat flux distribution on the tool rake face in oblique cutting including the tool nose radius. In this approach, Machine Learning (ML) is used to establish the relation between the parameters associated with the heat flux distribution and the error functions expressing the deviation between the embedded thermocouple measurements and Finite Element (FE) simulations. The dependency of the algorithm on the number of input data, the optimization strategy, and the overall performance of the approach are studied. The results show a clear potential of the proposed ML-based inverse identification approach.

Heat transfer simulation

Machine learning

Heat flux

Inverse identification

Metal cutting

Temperature

Författare

Ahmet Semih Ertürk

Chalmers, Industri- och materialvetenskap, Material- och beräkningsmekanik

Amir Malakizadi

Chalmers, Industri- och materialvetenskap, Material och tillverkning

Ragnar Larsson

Chalmers, Industri- och materialvetenskap, Material- och beräkningsmekanik

Procedia CIRP

22128271 (eISSN)

Vol. 115 208-213

10th CIRP Global Web Conference on Material Aspects of Manufacturing Processes
Göteborg, Sweden,

En simuleringsbaserad för guide för prediktion av skärbarhet

VINNOVA (2016-05397), 2017-09-01 -- 2020-11-27.

Ämneskategorier

Produktionsteknik, arbetsvetenskap och ergonomi

Bearbetnings-, yt- och fogningsteknik

Övrig annan teknik

Drivkrafter

Hållbar utveckling

Styrkeområden

Produktion

Fundament

Grundläggande vetenskaper

Infrastruktur

C3SE (Chalmers Centre for Computational Science and Engineering)

DOI

10.1016/j.procir.2022.10.075

Mer information

Senast uppdaterat

2023-01-10