OBRABOTKAMETALLOV Vol. 28 No. 1 2026 77 TECHNOLOGY of surface roughness in end milling machining process // Expert Systems with Applications. – 2012. – Vol. 39 (14). – P. 11634–11641. – DOI: 10.1016/j. eswa.2012.04.004. 15. Oktem H., Erzurumlu T., Erzincanli F. Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm // Materials & Design. – 2006. – Vol. 27 (9). – P. 735–744. – DOI: 10.1016/j.matdes.2005.01.010. 16. Bujang M.A., Baharum B. Sample size guideline for correlation analysis // World Journal of Social Science Research. – 2016. – Vol. 3. – P. 37–46. – DOI: 10.22158/ wjssr.v3n1p37. 17. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses / F. Faul, E. Erdfelder, A. Buchner, A.-G. Lang // Behavior Research Methods. – 2009. – Vol. 41. – P. 1149–1160. – DOI: 10.3758/BRM.41.4.1149. 18. Пономарев Б.Б., Нгуен Ш.Х. Оценка шероховатости при пятикоординатном чистовом фрезеровании поверхностей сфероцилиндрической фрезой // Известия высших учебных заведений. Машиностроение. – 2020. – № 5 (722). – С. 21–31. – DOI: 10.18698/0536-1044-2020-5-21-31. 19. Экспериментальное исследование динамики процесса механообработки концевыми сфероцилиндрическими фрезами / М.Р. Гимадеев, А.А. Ли, В.О. Беркун, В.А. Стельмаков // Обработка металлов (технология, оборудование, инструменты). – 2023. – Т. 25, № 1. – С. 44–56. – DOI: 10.17212/1994-63092023-25.1-44-56. 20. Гимадеев М.Р., Ли А.А. Анализ систем автоматизированного обеспечения параметров шероховатости поверхности на основе динамического мониторинга // Advanced Engineering Research. – 2022. – Т. 22 (2). – С. 116–129. – DOI: 10.23947/26871653-2022-22-2-116-129. 21. Chen C.H., Jeng S.Y., Lin C.J. Prediction and analysis of the surface roughness in CNC end milling using neural networks // Application Science. – 2022. – Vol. 12 (1). – P. 393. – DOI: 10.3390/app12010393. 22. Manjunath K., Tewary S., Khatri N. Surface roughness prediction in milling using long-short term memory modelling // Materials Today: Proceedings. – 2022. – Vol. 64 (3). – P. 1300–1304. – DOI: 10.1016/j. matpr.2022.04.126. 23. Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE) arguments against avoiding RMSE in the literature // Geoscientifi c Model Development. – 2014. – Vol. 7 (3). – P. 1247– 1250. – DOI: 10.5194/gmd-7-1247-2014. Конфликт интересов Авторы заявляют об отсутствии конфликта интересов. © 2026 Авторы. Издательство Новосибирского государственного технического университета. Эта статья доступна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная (https://creativecommons.org/licenses/by/4.0).
RkJQdWJsaXNoZXIy MTk0ODM1