งานวิจัยนี้มีวัตถุประสงค์เพื่อหารูปแบบการทำนายอัตราการขจัดเนื้องานในกระบวนการกัดอาร์คด้วยกระแสไฟฟ้าของวัสดุ Ti-6Al-4V โดยการประยุกต์ใช้ทฤษฎีของโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าหลายชั้นด้วยระบบการเรียนรู้แบบแพร่กระจายกลับ โครงข่ายประสาทเทียมประกอบด้วยปัจจัยนำเข้า 4 ปัจจัย คือ กระแสไฟฟ้า เวลาเปิด ความต่างศักย์ไฟฟ้า และปัจจัยประสิทธิภาพ ปัจจัยส่งออก 1 ปัจจัย คือ อัตราการขจัดเนื้องาน วิธีการแบ่งข้อมูลการฝึกสอนและทดสอบ คือ วิธีการแบ่งข้อมูลแบบไขว้ 5 ส่วน จากนั้นดำเนินการหารูปแบบการทำนายอัตราการขจัดเนื้องานในกระบวนการกัดอาร์คด้วยกระแสไฟฟ้าด้วยวิธีโครงข่ายประสาทเทียม ผลการศึกษาพบว่าโครงสร้างของโครงข่ายประสาทเทียมที่เหมาะสมประกอบด้วยจำนวน 4 นิวรอนในชั้นอินพุต จำนวน 4 นิวรอนในชั้นซ่อนที่หนึ่ง จำนวน 4 นิวรอนในชั้นซ่อนที่สอง และจำนวน 1 นิวรอนในชั้นแสดงผล (4-4-4-1) รูปแบบฟังก์ชันการถ่ายโอนในชั้นซ่อนและชั้นแสดงผล คือ ฟังก์ชันล็อก-ซิกมอยด์ กระบวนการเรียนรู้ในการปรับค่าน้ำหนักและไบแอส คือ วิธีเลเวนเบิร์ก-มาร์ค ประสิทธิภาพของโครงข่ายประสาทเทียมให้ค่าเฉลี่ยความคลาดเคลื่อนกำลังสองเท่ากับ 0.06 และค่าสัมประสิทธิ์การตัดสินใจเท่ากับ 0.9861 ซึ่งแสดงให้เห็นว่าโครงข่ายประสาทเทียมสามารถประยุกต์ใช้ในการพยากรณ์ของกระบวนการกัดอาร์คด้วยกระแสไฟฟ้าได้อย่างมีประสิทธิผลและสามารถนำไปประยุกต์ใช้ได้จริง

The objective of this research is to determine a suitable model for predicting the material removal rate (MRR) in electrical discharge machining (EDM) of Ti-6Al-4V using the multi-layer feed-forward neural network and backpropagation model. Current, pulses on time, voltage, and duty factor were selected as network inputs. The material removal rate was selected as the network output. Five-fold cross validation was used to divide the training data and the testing data. The results showed that the neural network model, which represents four neurons for the inputs and two hidden layers, and one output neuron, was developed to establish the process model (4-4-4-1). A multi-neuron of log-sigmoid activation function was assigned. A Levenberg-Marquardt training algorithm was also applied to train the design network for optimizing the weight and bias network with all of the trained inputs data. The mean square error and R-squared were found to be 0.06 and 0.9861, respectively. The results indicate that the neural model can be used to predict process performance with reasonable accuracy.