ẢNH HƯỞNG CỦA ĐỘ SÂU KIẾN TRÚC MẠNG NƠ-RON NHÂN TẠO ĐẾN DỰ ĐOÁN ĐỘ NHÁM BỀ MẶT TRONG GIA CÔNG PHAY TINH HỢP KIM NHÔM 6061

Tóm tắt

Độ nhám bề mặt (Ra) là một chỉ số quan trọng phản ánh chất lượng bề mặt trong quá trình gia công phay và chịu ảnh hưởng mạnh mẽ bởi các thông số cắt cũng như sự tương tác phi tuyến giữa chúng. Nghiên cứu này nhằm khảo sát ảnh hưởng của độ sâu kiến trúc mạng nơ-ron nhân tạo (ANN) đến khả năng dự đoán độ nhám bề mặt trong quá trình phay tinh hợp kim nhôm 6061. Dữ liệu thực nghiệm được thu thập từ thiết kế Taguchi L27 và được chia thành tập huấn luyện và tập kiểm tra nội bộ, trong khi sáu thí nghiệm bổ sung được thực hiện ngoài không gian thiết kế ban đầu được sử dụng cho mục đích kiểm chứng bên ngoài. Các mô hình ANN với một, hai, ba và bốn lớp ẩn được xây dựng và so sánh một cách có hệ thống thông qua các chỉ số thống kê tiêu chuẩn. Kết quả cho thấy tất cả các mô hình ANN đều đạt độ chính xác dự đoán cao trên tập kiểm tra nội bộ; tuy nhiên, khả năng khái quát hóa của chúng có sự khác biệt đáng kể khi áp dụng trong các điều kiện gia công chưa từng gặp. Mô hình ANN với hai lớp ẩn cho thấy sự cân bằng tốt nhất giữa độ chính xác và tính ổn định, trong khi các kiến trúc sâu hơn thể hiện rõ hiện tượng quá khớp (overfitting). Các kết quả này khẳng định rằng độ sâu ANN ở mức trung bình là phù hợp hơn cho việc dự đoán độ nhám bề mặt trong các ứng dụng gia công với bộ dữ liệu thực nghiệm hạn chế.

Title

INFLUENCE OF ARTIFICIAL NEURAL NETWORK ARCHITECTURE DEPTH ON SURFACE ROUGHNESS PREDICTION IN FINISH MILLING OF 6061 ALUMINIUM ALLOY

Abstract

Surface roughness (Ra) is a critical indicator of surface quality in milling processes and is strongly influenced by cutting parameters and their nonlinear interactions. The present study investigates the effect of the depth of the Artificial Neural Network (ANN) architecture on surface roughness prediction during finish milling of 6061 aluminium alloy. Experimental data were obtained from a Taguchi L27 design and divided into training and internal testing datasets, while six additional experiments conducted outside the original design space were used for external validation. ANN models with 1, 2, 3, and 4 hidden layers were developed and systematically compared using standard statistical indicators. The results show that all ANN models achieve high prediction accuracy on internal testing data; however, their generalisation performance differs significantly under unseen machining conditions. The ANN model with two hidden layers consistently provides the best balance between accuracy and robustness, whereas deeper architectures exhibit clear overfitting behaviour. The findings confirm that moderate ANN depth is more suitable for surface roughness prediction in machining applications with limited experimental data.