Artificial Intelligence Algorithms for the Analysis of Mechanical Property of Friction Stir Welded Joints by using Python Programming

In modern computational science, the interplay existing between machine learning and optimization process marks the most vital developments. Optimization plays an important role in mechanical industries because it leads to reduce in material cost, time consumption and increase in production rate. The recent work focuses on performing the optimization task on Friction Stir Welding process for obtaining the maximum Ultimate Tensile Strength (UTS) of the friction stir welded joints. Two machine learning algorithms i.e. Artificial Neural Network (ANN) and Decision Trees regression model are selected for the purpose. The input variables are Tool Rotational Speed (RPM), Tool Traverse Speed (mm/min) and Axial Force (KN) while the output variable is Ultimate Tensile Strength (MPa). It is observed that in case of the Artificial Neural Networks the Root Mean Square Errors for training and testing sets are 0.842 and 0.808 respectively while in case of Decision Trees regression model, the training and testing sets result Root Mean Square Errors of 11.72 and 14.61. So, it can be concluded that ANN algorithm gives better and accurate result than Decision Tree regression algorithm.

We współczesnych obliczeniach naukowych wzajemna zależność między uczeniem maszynowym a procesem optymalizacji wyznacza najbardziej istotne osiągnięcia. Optymalizacja odgrywa ważną rolę w przemyśle mechanicznym, ponieważ prowadzi do obniżenia kosztów materiałów, zużycia czasu i wzrostu szybkości produkcji. Ostatnie prace skupiają się na wykonaniu optymalizacji procesu zgrzewania tarciowego z przemieszaniem w celu uzyskania maksymalnej wytrzymałości na rozciąganie (UTS) połączeń zgrzewanych tarciowo z przemieszaniem. Do tego celu wybrano dwa algorytmy uczenia maszynowego, tj. Sztuczną sieć neuronową (ANN) i model decyzyjnego drzewa regresyjnego. Zmienne wejściowe to prędkość obrotowa narzędzia [obr/min], prędkość posuwu narzędzia [mm/min] i siła osiowa [kN], natomiast zmienną wyjściową jest maksymalna wytrzymałość na rozciąganie [MPa]. Zaobserwowano, że w przypadku sztucznych sieci neuronowych średnie błędy kwadratowe zbiorów uczących i testowych wynoszą odpowiednio 0,842 i 0,808, podczas gdy w przypadku modelu decyzyjnego drzewa regresji zbiory uczące i testujące dają średnie błędy kwadratowe 11,72 i 14,61. Można więc stwierdzić, że algorytm ANN daje lepsze i dokładniejsze wyniki niż algorytm regresji drzewa decyzyjnego.