Surface roughness (Ra) after the laser micro-cutting process plays an important role in the quality of the final product. On the other hand, this surface roughness depends on complex laser process parameters such as laser power, laser repetition rate, and laser scanning speed. Therefore, it is important to propose a reliable model to predict the surface roughness as well as to correlate it with important process parameters. This helps to achieve the highest required quality, reduce the effort, and save material wastage and cost for the required experimental tests. In this paper, mathematical models have been developed using Artificial Neural Network (ANN) and theoretical calculations to predicate the surface roughness for the substrate surface after laser micro-cutting. Moreover, these models can be used to find the importance of each process parameter and finally to propose the optimum process parameters. Experimental tests have been carried out to find out the relationship between the investigated process parameters and surface roughness. Moreover, these experiments are used to validate the developed ANN and theoretical models. The result of the theoretical and the proposed ANN models shows good agreement with the experimental values. The average of the recorded errors was 4.01% and 6.32% for the ANN and the theoretical models, respectively.Surface roughness (Ra) after the laser micro-cutting process plays an important role in the quality of the final product. On the other hand, this surface roughness depends on complex laser process parameters such as laser power, laser repetition rate, and laser scanning speed. Therefore, it is important to propose a reliable model to predict the surface roughness as well as to correlate it with important process parameters. This helps to achieve the highest required quality, reduce the effort, and save material wastage and cost for the required experimental tests. In this paper, mathematical models have been developed using Artificial Neural Network (ANN) and theoretical calculations to predicate the surface roughness for the substrate surface after laser micro-cutting. Moreover, these models can be used to find the importance of each process parameter and finally to propose the optimum process parameters. Experimental tests have been carried out to find out the relationship between the investigated proce...

中文翻译：

---

有效参数对激光微切割工艺质量的影响：实验分析、建模与优化

激光微切割工艺后的表面粗糙度（Ra）对最终产品的质量起着重要作用。另一方面，这种表面粗糙度取决于复杂的激光工艺参数，如激光功率、激光重复频率和激光扫描速度。因此，重要的是提出一个可靠的模型来预测表面粗糙度并将其与重要的工艺参数相关联。这有助于实现所需的最高质量，减少工作量，并节省所需实验测试的材料浪费和成本。在本文中，使用人工神经网络 (ANN) 和理论计算开发了数学模型，以预测激光微切割后基板表面的表面粗糙度。而且，这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的工艺参数与表面粗糙度之间的关系。此外，这些实验用于验证开发的人工神经网络和理论模型。理论和建议的人工神经网络模型的结果与实验值非常吻合。ANN 和理论模型的平均记录误差分别为 4.01% 和 6.32%。激光微切割工艺后的表面粗糙度 (Ra) 对最终产品的质量起着重要作用。另一方面，这种表面粗糙度取决于复杂的激光工艺参数，如激光功率、激光重复频率和激光扫描速度。因此，重要的是提出一个可靠的模型来预测表面粗糙度并将其与重要的工艺参数相关联。这有助于实现所需的最高质量，减少工作量，并节省所需实验测试的材料浪费和成本。在本文中，使用人工神经网络 (ANN) 和理论计算开发了数学模型，以预测激光微切割后基板表面的表面粗糙度。此外，这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系...... 重要的是提出一个可靠的模型来预测表面粗糙度并将其与重要的工艺参数相关联。这有助于实现所需的最高质量，减少工作量，并节省所需实验测试的材料浪费和成本。在本文中，使用人工神经网络 (ANN) 和理论计算开发了数学模型，以预测激光微切割后基板表面的表面粗糙度。此外，这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系...... 重要的是提出一个可靠的模型来预测表面粗糙度并将其与重要的工艺参数相关联。这有助于实现所需的最高质量，减少工作量，并节省所需实验测试的材料浪费和成本。在本文中，使用人工神经网络 (ANN) 和理论计算开发了数学模型，以预测激光微切割后基板表面的表面粗糙度。此外，这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系...... 并为所需的实验测试节省材料浪费和成本。在本文中，使用人工神经网络 (ANN) 和理论计算开发了数学模型，以预测激光微切割后基板表面的表面粗糙度。此外，这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系...... 并为所需的实验测试节省材料浪费和成本。在本文中，使用人工神经网络 (ANN) 和理论计算开发了数学模型，以预测激光微切割后基板表面的表面粗糙度。此外，这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系...... 这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系...... 这些模型可用于发现每个工艺参数的重要性，并最终提出最佳工艺参数。已经进行了实验测试以找出所研究的过程之间的关系......