Utilisation des réseaux de neurone pour la prédiction et l’optimisation de l’intégrité de surface des pièces mécaniques soumises à la fatigue

Abstract

Cette étude expérimentale porte sur l'effet des paramètres de coupe en tournage sur l‟état de surface des pièces usinées. Les essais sont réalisés sur l'acier XC48, en utilisant des outils de coupe en carbure métallique. L'objectif est de modéliser et optimiser l'intégrité de surfaces en fonction des paramètres de coupe ainsi que l'analyse de la rugosité de surface Ra. On a utilisé pour cela l'outil d'intelligence artificielle, le Machine-learning et le Deep-learning « le réseau de neurone » dont le but de la prédiction, l'estimation et l'optimisation de l'état de surface après usinage « l'intégrité de surface ». On a utilisé des algorithmes de Polynomial features et SUPPORT VECTOR MACHINE…etc. ainsi que le réseau de neurone feed-forward et le réseau de neurone récurrent équipée par les cellules LSTM. Le traitement des données et basée sur une data obtenu après usinage des éprouvettes dans des ateliers mécanique, qui nous donnent la moyenne arithmétique de la rugosité de surface Ra, selon les paramètres de coupes choisis. Les résultats obtenus montrent que le réseau de neurone récurrent équipée par les cellules LSTM donne le meilleur résultat avec une valeur de corrélation R2 =0.9487 et l‟erreur moyen quadratique RMSE=0.066517 ensuite le réseau de neurone statique avec un R2= 0.9414, RMSE=0.066527 et à la fin le Machine learning avec un R2=0.865, RMSE=0.37.