Obrábění kompozitů: Statistika a umělé neuronové sítě pro optimalizaci trvanlivosti nástroje a kvalitu obrobeného povrchu
| Téma: | Obrábění kompozitů: Statistika a umělé neuronové sítě pro optimalizaci trvanlivosti nástroje a kvalitu obrobeného povrchu |
| Topic: | Composites machining: statistics and artificial neural networks for optimizing tool life and quality of the machined surface |
| Školitel/Tutor: | Doc. Bílek |
| Konzultant/Consultant: | Doc. Rusnáková |
| E-mail: | bilek@utb.cz |
| Anotace: | |
| Tato doktorská práce se zaměřuje na optimalizaci procesů výroby a obrábění kompozitů s užitím pokročilých statistických metod a umělých neuronových sítí (ANN). Konkrétně se zkoumají kompozity z uhlíkových (CFRP) a skelných (GFRP) vláken s cílem maximalizovat trvanlivost nástrojů a dosáhnout vysoké kvality povrchu výrobků. Práce zkoumá a porovnává konvenční způsoby obrábění kompozitů a navrhuje inovativní postupy s ohledem na optimalizaci parametrů obráběcího procesu.
Metodologie má zahrnovat výrobu kompozitů s různými vlastnostmi, experimentální analýzu procesů obrábění a sběr rozsáhlých dat o trvanlivosti nástrojů, kvalitě povrchu a řezných sil. Tyto data budou následně analyzována pomocí pokročilých statistických metod pro identifikaci vlivu jednotlivých parametrů na výsledné vlastnosti produktů. Dále bude využívána technologie umělých neuronových sítí pro modelování a predikci výsledků obrábění na základě různých kombinací parametrů.
|
|
| Annotation: | |
| This PhD thesis focuses on the optimization of composite manufacturing and machining processes using advanced statistical methods and artificial neural networks (ANN). Specifically, carbon fibre (CFRP) and glass fibre (GFRP) composites are investigated to maximize tool durability and achieve high product surface quality. The thesis examines and compares conventional composite machining methods and proposes innovative approaches to optimize machining process parameters.
The methodology is to include the fabrication of composites with different properties, experimental analysis of machining processes and collection of extensive data on tool life, surface quality and cutting forces. This data will then be analysed using advanced statistical methods to identify the influence of each parameter on the resulting product properties. In addition, artificial neural network technology will be used to model and predict machining results based on various combinations of parameters.
|
|
| Požadavky na studenta: | |
| Student by měl disponovat komplexními znalostmi materiálů, konvenčních technik obrábění, statistických metod a umělých neuronových sítí. Klíčové jsou dovednosti v plánování experimentu, sběru a analýze dat pro posouzení trvanlivosti nástrojů, kvality povrchu a řezných sil. Kritické myšlení a schopnost inovativního přístupu jsou nezbytné pro identifikaci efektivních procesů obrábění. Důležité jsou také komunikativní schopnosti pro prezentaci výsledků, motivace k samostatné práci a touha objevovat nové perspektivy v oblasti obrábění kompozitních materiálů. | |
| Requirements: | |
| The student should have a comprehensive knowledge of materials, conventional machining techniques, statistical methods and artificial neural networks. Skills in experimental planning, data collection and analysis to assess tool life, surface quality and cutting forces are key. Critical thinking and the ability to be innovative are essential to identify effective machining processes. Communicative skills for presenting results, motivation to work independently and a passion to explore new perspectives in composite materials machining are also important. | |
| Literatura/Literature: | |
| 1. KARATAŞ, Meltem Altin; GÖKKAYA, Hasan. A review on machinability of carbon fiber reinforced polymer (CFRP) and glass fiber reinforced polymer (GFRP) composite materials. Defence Technology, 2018, 14.4: 318-326.
2. DAVIM, J. Paulo (ed.). Machining composites materials. John Wiley & Sons, 2013. 3. RAJ KUMAR, D., et al. Investigation on drilling behavior of CFRP composites using optimization technique. Arabian Journal for Science and Engineering, 2020, 45: 8999-9014. |
|