DICAMES logo

Veuillez utiliser cette adresse pour citer ce document : https://hdl.handle.net/20.500.12177/7297
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.advisorNgongang, Ludovic-
dc.contributor.advisorKanaa, Thomas-
dc.contributor.authorNlend Bisseck, Ruben Hervé-
dc.date.accessioned2022-02-24T08:17:12Z-
dc.date.available2022-02-24T08:17:12Z-
dc.date.issued2020-
dc.identifier.urihttps://hdl.handle.net/20.500.12177/7297-
dc.description.abstractLes techniques d’apprentissage automatique prennent de plus en plus de place dans les domaines scientifiques et industriels ; le génie mécanique n’en fait pas exception. Ce travail porte sur la mise sur pied d’une technique intelligente de détermination de la rugosité des pièces fraisées. Un modèle mathématique basé sur le réseau de neurones artificiel (ANN) a été mis sur pied. 32 expérimentations ont été menées dans le but de recueillir des valeurs réelles des rugosités moyennes Ra des surfaces fraisées grâce au rugosimètre SRT 6210 et les images correspondantes de ces surfaces grâce au microscope MV-900. Chaque surface a été obtenue avec des paramètres différents de vitesse d’avance, profondeur de passe et lubrification qui ont également été utilisés comme variables d’entrée du réseau de neurones. L’algorithme a été déployé sous MATLAB dans sa version R2017b. Un système de réseau de neurones à trois variables d’entrée, une couche cachée de 10 neurones, la fonction Levenberg-Marquardt à rétropropagation utilisée comme fonction d’activation, l’erreur quadratique moyenne utilisée pour évaluer la performance et une valeur de sortie a été adopté. L’algorithme a été déployé en utilisant 28 mesures d’expérimentation ; dont 50% pour la phase d’entrainement, 30% pour la phase de test et 20% pour la phase de validation. Les 4 mesures restantes ont été utilisées pour apprécier son comportement avec des valeurs d’entrée aléatoires. La performance de l’algorithme est satisfaisante avec un R² de 0,99942 pour l’entrainement, 0,87305 pour les tests et 0,9475 pour la validation. La performance globale quant à elle se traduit par un R² de 0,87793. La précision de l’algorithme a été estimée à 90,652%.fr_FR
dc.format.extent97fr_FR
dc.publisherUniversité de Yaoundé Ifr_FR
dc.subjectRugosité de surfacefr_FR
dc.subjectFraisagefr_FR
dc.subjectRéseau de neurones artificiel (ANN)fr_FR
dc.titleMesure intelligente de la rugosité des surfaces fraiséesfr_FR
dc.typeThesis-
Collection(s) :Mémoires soutenus

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
ENSET_EBO_BC_21_0075.pdf3.67 MBAdobe PDFMiniature
Voir/Ouvrir


Tous les documents du DICAMES sont protégés par copyright, avec tous droits réservés.