Multi-objective optimization of CNC turning parameters using genetic algorithm and performance evaluation of nanocomposite coated carbide inserts
Notice bibliographique
Résumé
Inconel 600 is a super alloy known for its properties like low thermal conductivity and work hardening. The work hardening property of this alloy makes it harder and harder during successive passes of the tool during machining. Therefore, machining of this type of material demands innovation in tool material, selection of proper combination of parameters and their levels for economical machining. Coated carbide tool inserts are most widely used for machining Inconel alloys. These inserts are coated with special materials by PVD or CVD technique to reduce flank wear, improve surface finish of machined components and increase the material removal rate (MRR). In this work carbide insert coated with nanocomposite coatings like AlTiN and TiAlSiN commercially known as Hyperlox and HSN 2 were used and their performance during machining of Inconel 600 was studied. As improper selection of process parameter influences on the quality of products and productivity, it is important to identify the optimum combination of input process parameters. Most of the time the influence of the input process parameters on the output parameters like MRR, surface roughness and flank wear is studied independently. Information obtained through single objective optimization may not be sufficient because industries desire to optimize all the output parameters, simultaneously. Multi-objective optimization is the only solution to satisfy the requirements of industries and genetic algorithm based multi-objective optimization is adopted in this work in order to get the optimum combination of input process parameters to obtain maximum material removal rate, minimum surface roughness and minimum flank wear simultaneously.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».