可持续性分析及Kolmogorov–Arnold网络（KAN）机器学习算法在干式钻井、电磁扭矩测量（EMQL）、激光冷却钻井（LCO2）和热核电磁扭矩测量（HNEMQL）辅助下的GLARE纤维金属层压板钻井中的应用

《JOURNAL OF INTELLIGENT MANUFACTURING》：Sustainability analysis and Kolmogorov–Arnold Network (KAN) machine learning algorithm application for dry, EMQL, LCO2 and HNEMQL assisted drilling of GLARE fiber metal laminates

　　

摘要

本研究利用三种冷却/润滑技术（干切削、静电微量润滑（EMQL）、低温液态二氧化碳（LCO?）和混合纳米流体静电微量润滑（HNEMQL））探讨了GLARE纤维金属复合材料的孔加工质量。在这些切削条件下，从技术经济性和碳排放分析的角度全面比较了加工的可持续性和可加工性。同时评估了进给率和主轴速度对切削力、能耗和表面质量的影响。此外，还采用了一种新颖的机器学习方法——Kolmogorov-Arnold网络（KAN）和多层感知器（MLP），利用实验数据预测了多个输出参数。研究结果表明，与干切削相比，使用EMQL、LCO?和HNEMQL条件进行加工的成本分别增加了21.41%、19.77%和31.51%；碳排放分别增加了46.5%、-1.7%和55.8%。在LCO?条件下，推力和扭矩最高，分别比干切削增加了69.8%和66.3%。使用HNEMQL加工时，表面粗糙度最低（约为0.7 μm），相比干切削提高了33.3%；而LCO?条件下的切削能耗最低，减少了34.7%。总体而言，由于HNEMQL具有更优异的表面质量、更低的切削载荷和更高的能源效率，成为钻削GLARE复合材料最有效的冷却/润滑策略。通过对比KAN和MLP模型的预测结果发现，KAN的R2值为98.71%，而MLP的R2值仅为60.64%。因此，在识别特征与目标之间的复杂关系以及同时预测推力、能耗和表面粗糙度方面，KAN的表现优于传统MLP。