This study used an artificial neural network to forecast the rate of material removal and tool wear for H16 H-group tool steels, which are designed to retain hardness and strength under continuous high temperature conditions. Additionally, analysis of variance (ANOVA) was used to decide each machining parameter's impact as well as how they interacted. Due to special features of H16 material like strong hot toughness and fair wear resistance, this material is highly demanding in die-making industries hence this work attempts to predict behavioural aspects concerning Material removal rate and tool wear using ANN, which is established to be an effective method of prediction. In the instance of a Die sinking Eclectic Discharge Machine, estimation of these factors aids in optimizing machining conditions. The goal of the current project is to develop an artificial neural network model for tool wear and surface roughness. The suggested estimator, which is based on a neural network and uses cutting conditions as the input parameters, is predicted to have parameters for Material removal rate and tool wear. By utilizing the neural network model under the predetermined conditions of the experiment, the findings are encouraging.

Heat transfer methods aim to maximize heat transmission and minimize pressure loss. Published efforts have focused on active and passive heat transport techniques. Curved tubes, such those in helical coil heat exchangers, improve heat transmission without active intervention. Experimental and computational studies of helical coils under forced convection have been done. This work examined the heat transmission and pressure drop of forced convection helical coil tubes using experimental and CFD methods. CATIA V5 builds, ICEM 14.5 meshes, and ANSYS 14.5 solves a three-dimensional model. A k-turbulent flow model and algorithm simulate fluid flow and heat transfer to properly predict heat transfer characteristics. Experiments and computer simulations determined the temperature and pressure loss at a particular flow rate and input temperature. The model is validated by comparing numerical simulation temperature differences to experimental data. A boundary condition that maintains a constant temperature in numerical analysis may provide incorrect results. This makes the boundary condition a connected system. To calculate temperature, a K-turbulence model (RNG) solver is used with curvature correction and swirl dominated flow. The project includes turning a 12-mm straight tube into a 120-mm helical coil with a 25-mm pitch. To simulate forced convection, this coil is placed in a duct. Experiment is done at 353 K and 343 K with 1.23, 1.66, and 2.1 l/min flow rates. The CFD simulation used the same design and flow conditions. One end of the duct has a fan that blows air over the coil and lets hot water run through it. With a constant wall temperature as the boundary condition, the conjugate heat transfer between the water and air in the coil and fan is examined in a cross flow pattern. Different flow rates were used to validate temperature difference data. The experimental and CFD values varied by 7% or less due to measurement errors in system temperature and heat losses.

Medical image analysis requires liver segmentation for liver disease detection and treatment. Deep learning approaches, particularly liver segmentation, have demonstrated astounding effectiveness in a variety of medical imaging applications. Using the U-Net architecture, a well-liked and successful deep learning model for semantic segmentation, a liver segmentation approach is suggested in this study. This approach uses 3D abdominal CT images with liver regions identified. The U-Net model collects local and global contextual data via skip links and an encoder-decoder network. Supervised learning and data augmentation are used to develop the network's generalization ability. Intensity normalization, voxel resampling, and image cropping were used to enhance liver segmentation by improving input data quality and consistency. Post-processing approaches like linked component analysis and morphology improved segmentation results and eliminated false positives. A separate test dataset and conventional assessment criteria as DSC, sensitivity, and specificity were employed to evaluate our liver segmentation approach. A Dice score of 0.9287 indicates a 92.87% overlap between the sets. This is a good result since the segmentation or comparison approach identified and aligned the matching regions in the sets. Train dice loss, train metric dice, test dice loss, test metric dice and mean dice are found to be 0.0223, 0.9733, 0.289, 0.782, and 0.9287 respectively. Lab results reveal that the current liver segmentation approach is accurate and resilient. Comparing present strategy to other cutting-edge liver segmentation methods shows its competitiveness. In conclusion, this study proposes a liver segmentation method based on the U-Net architecture that successfully tackles the difficulties in precisely distinguishing the liver from abdominal CT scans. The suggested method has produced encouraging results, demonstrating its potential for clinical uses in the diagnosis of liver disease, surgical planning, and therapy monitoring.