Towards Sustainable Machining of Inconel 718 Using Nano-Fluid Minimum Quantity Lubrication
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
Difficult-to-cut materials have been widely employed in many engineering applications, including automotive and aeronautical designs because of their effective properties. However, other characteristics; for example, high hardness and low thermal conductivity has negatively affected the induced surface quality and tool life, and consequently the overall machinability of such materials. Inconel 718, is widely used in many industries including aerospace; however, the high temperature generated during machining is negatively affecting its machinability. Flood cooling is a commonly used remedy to improve machinability problems; however, government regulation has called for further alternatives to reduce the environmental and health impacts of flood cooling. This work aimed to investigate the influence of dispersed multi-wall carbon nanotubes (MWCNTs) and aluminum oxide (Al2O3) gamma nanoparticles, on enhancing the minimum quantity lubrication (MQL) technique cooling and lubrication capabilities during turning of Inconel 718. Machining tests were conducted, the generated surfaces were examined, and the energy consumption data were recorded. The study was conducted under different design variables including cutting speed, percentage of added nano-additives (wt.%), and feed velocity. The study revealed that the nano-fluids usage, generally improved the machining performance when cutting Inconel 718. In addition, it was shown that the nanotubes additives provided better improvements than Al2O3 nanoparticles.
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 | 0,000 | 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 | 0,001 |
| 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