Environmental Analysis of Sustainable and Traditional Cooling and Lubrication Strategies during Machining Processes
Notice bibliographique
Résumé
Due to rising demands of replacing traditional cooling strategies with sustainable cooling strategies, the development of sustainable strategies such as minimum quantity lubrication (MQL) of nano-cutting fluids (NCFs) is on the rise. MQL of NCFs has received a lot of attention due to its positive impact on machining process efficiency. However, environmental and human health impacts of this strategy have not been fully investigated yet. This work aims to investigate the impacts of MQL of molybdenum disulfide (MoS2), multi-walled carbon nanotubes (MWCNTs), titanium dioxide (TiO2), and aluminum oxide (Al2O3) NCFs by employing a cradle-to-gate type of life cycle assessment (LCA). Besides, this paper provides a comparison of the impacts and machining performance when utilizing MQL of NCFs with other cooling strategies such as traditional flood cooling (TFC) of conventional cutting fluids and MQL of vegetable oils. It was found that NCFs have higher impacts than conventional cutting fluids and vegetable oils. The impacts of TiO2-NCF and MoS2-NCF were lower than the impacts of MWCNTs-NCF and Al2O3-NCF. MQL of NCFs presented higher impacts by 3.7% to 35.4% in comparison with the MQL of vegetable oils. TFC of conventional CFs displayed the lowest impact. However, TFC of conventional cutting fluids is contributing to severe health problems for operators. MQL of vegetable oils displayed higher impacts than TCFs of conventional cutting fluids. However, vegetable oils are considered to be environmentally friendly. According to the findings, the MQL of vegetable oils is the most sustainable strategy for machining processes with associated low/medium cutting temperatures. While MQL of TiO2 and MoS2 NCFs are the sustainable strategy for machining processes associated with high cutting temperatures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».