Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | UNIFEI - Universidade Federal de Itajubá | - |
Autor(es): dc.creator | Pontes, Fabrício José | - |
Autor(es): dc.creator | Silva, Messias Borges | - |
Autor(es): dc.creator | Ferreira, João Roberto | - |
Autor(es): dc.creator | De Paiva, Anderson Paulo | - |
Autor(es): dc.creator | Balestrassi, Pedro Paulo | - |
Autor(es): dc.creator | Schönhorst, Gustavo Bonnard | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:17:44Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:17:44Z | - |
Data de envio: dc.date.issued | 2022-04-28 | - |
Data de envio: dc.date.issued | 2022-04-28 | - |
Data de envio: dc.date.issued | 2010-01-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1590/s1678-58782010000500010 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/226282 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/226282 | - |
Descrição: dc.description | The use of artificial neural networks for prediction in hard turning has received considerable attention in literature. An often quoted drawback of ANNs is the lack of a systematic way for the design of high performance networks. This study presents a DOE based approach for the design of ANNs of Radial Basis Function (RBF) architecture applied to surface roughness prediction in turning of AISI 52100 hardened steel. Experimental factors are the number of radial units on the hidden layer, the algorithm employed to calculate the spread factor of radial units and the algorithm employed to calculate radial function centers. DOE is employed to select levels of factors that benefit network prediction skills. Experiments with data sets of distinct sizes were conducted and network configurations leading to high performance were identified. ANN models obtained proved capable to predict roughness in accurate, precise and affordable way. Results pointed significant factors for network design and revealed that interaction effects between design parameters have significant influence on network performance for the task proposed. The work concludes that the DOE methodology constitutes a better approach to the design of RBF networks for roughness prediction than the most common trial and error approach. Copyright © 2010 by ABCM. | - |
Descrição: dc.description | Departamento de Mecânica Faculdade de Engenharia de Guaratinguetá UNESP - Universidade Estadual Paulista, 12516-410 Guaratinguetá, São Paulo | - |
Descrição: dc.description | Instituto de Eng. Produção e Gestão UNIFEI - Universidade Federal de Itajubá, Caixa Postal 50, 37500-903 Itajubá, Minas Gerais | - |
Descrição: dc.description | Departamento de Mecânica Faculdade de Engenharia de Guaratinguetá UNESP - Universidade Estadual Paulista, 12516-410 Guaratinguetá, São Paulo | - |
Formato: dc.format | 503-510 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Journal of the Brazilian Society of Mechanical Sciences and Engineering | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | AISI 52100 hardened steel | - |
Palavras-chave: dc.subject | Design of experiments | - |
Palavras-chave: dc.subject | Hard turning | - |
Palavras-chave: dc.subject | Radial basis function neural networks | - |
Palavras-chave: dc.subject | Surface roughness | - |
Título: dc.title | A DOE based approach for the design of RBF artificial neural networks applied to prediction of surface roughness in AISI 52100 hardened steel turning | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: