Increasing Efficiency of Ti-6Al-4V Machining by Cryogenic Cooling and using Nanolubricants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Generation of high localized cutting zone temperatures leading to dissolution wear hinders machinability of Ti alloys using uncoated carbide tools and polycrystalline diamond (PCD) tools. In addition, the thermo-plastic instability exhibited by titanium alloys promotes serrated chip formation that causes fluctuations in the cutting forces leading to chatter and severe flank wear. This work considers two methods to mitigate these problems during cutting of Ti-6Al-4V, namely, cryogenic machining to influence chip segmentation, and the use of WS2 blended metal removal fluids (MRF) to influence interface coefficient of friction (COF). Cryogenic machining of Ti-6Al-4V at 45 m/min and 0.15 mm/rev led to easier fracture of chip segments due to decrease in toughness of the material. Analyses of fracture surfaces of the chips showed that the decrease in toughness was due to increased presence of shear ridges at low temperatures. The role of COF was determined using pin-on-disk experiments. Iterative tests of Ti-6Al-4V pins sliding against uncoated WC-Co disk showed that the addition of WS2 nanoparticles to MRF are capable of decreasing the interface COF lower than that under MRF lubricated conditions alone. Orthogonal machining of Ti-6Al-4V at a cutting speed of 29.5 m/min, feed rate of 0.4 mm/rev under dry conditions generated an average cutting force of 400 N. Under MRF + WS2 lubricated conditions, the average cutting force reduced to 190 N, which was 52% lower than dry conditions. The low COF values due to the MRF + WS2 lubricant reduces the interface temperature and thus aids in machining.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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