MétaCan
Menu
Retour à la cohorte
Enregistrement W1997649178 · doi:10.1504/ijmms.2014.067164

Characterisation and optimisation of minimum quantity lubrication in milling of Ti-6Al-4V alloy using phase Doppler anemometry (PDA)

2014· article· en· W1997649178 sur OpenAlexafffund
Amit Tendolkar, A. Damir, Helmi Attia, Patrick Hendrick, Christophe Diakodimitris

Notice bibliographique

RevueInternational Journal of Mechatronics and Manufacturing Systems · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensNational Research Council CanadaMcGill University
Organismes subventionnairesMitacs
Mots-clésNozzleMachiningLubricationMaterials scienceVolumetric flow rateSurface roughnessMechanical engineeringFlow visualizationSpray characteristicsSurface finishFlow (mathematics)MetallurgySpray nozzleEngineering drawingComposite materialMechanicsEngineering

Résumé

récupéré en direct d'OpenAlex

The main objective of this work is to understand the effect of the MQL parameters; namely, oil flow rate, air flow rate and nozzle distance from the cutting zone, on the flow characteristics in order to optimise the cooling and lubrication capacities of the jet for machining applications. Flow visualisation experiments were performed for different air and oil flow rates and distances from the nozzle using phase Doppler anemometry (PDA). The visualisation results, such as, the droplet size and velocity vector were used to identify the optimum MQL conditions to achieve the desired flow characteristics for machining applications. It was found that a spray with high air flow rate and high oil flow rate would give an axial, symmetrical, coherent, and undisturbed spray, which is characterised by small droplet size and high velocity. This spray is optimum for machining due to its ability for better penetration and cooling effect in the cutting zone. Milling tests were performed on Ti-6Al-4V alloy to validate the effect of MQL parameters on the machining performance, in terms of cutting forces, surface roughness and tool temperature.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,227
Score d'incertitude au seuil0,395

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,262
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Mechatronics and Manufacturing SystemsMême sujetAdvanced machining processes and optimizationTravaux en français237 207