Investigation of Minimum Quantity Lubrication Coolant Strategy for the machining of Austempered Ductile Iron (ADI)
Notice bibliographique
Résumé
Utilizing coolant strategies is vital in the manufacturing industry to reduce the tool wear and heat dissipation through the workpiece during machining and consequently enhancing tool life. This becomes more significant when machining difficult to cut materials, such as Austempered Ductile Iron (ADI), where the amount of heat generated significantly affects the insert life and the mechanical properties of the workpiece. To the best of the authors knowledge there is a gap in the open literature on machining of ADI. An environmental friendly coolant strategy known as minimum quantity lubrication (MQL) uses small amounts of oil such as rapeseed or castor. A computational fluid dynamics (CFD) model was developed in this research using ANSYS Fluent to model the temperature profile and the oil droplet behavior in the cutting zone. The tool temperatures employed in the CFD model were generated by a numerical frictional model. The CFD model compared multiple coolant strategies (MQL, Dry, Flood, Aerosol Water) at different flow rates and inlet pressures to predict the thermal effects on the tool and to select optimum process parameters. Experimental tests, conducted using a CNC Lathe on Grade 2 (ADI), validated the numerical model’s results for both dry, flood coolant and MQL with a 1.25% , 1.33% and 6.56% relative error respectively. The measured flank wear of the cutting insert was 1.260mm, 0.341mm and 0.302mm for the dry, flood and MQL coolants respectively.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».