Computational fluid dynamic model for machining using minimum quantity coolant
Notice bibliographique
Résumé
Abstract The cooling applications during machining has significant effects on the production costs, surface quality, and the mechanical properties of the final product. In conventional flood cooling, a large amount of continuous cooling fluid is usually used, and that increases the cost of the product as well as the harmful effects on the environment and the machining operator. This study focuses on simulating alternative cooling system, called minimum quantity coolant (MQC), which used an optimal flow rate compared to classical flood cooling. The cooling fluid is directly provided to the cutting edge through the insert holder. In the current work, a computational fluid dynamic (CFD) model has been developed to study the effects of the cooling fluid velocity on the accessibility of coolant to the chip-tool interface area under using various types of cooling fluids. Three types of coolant are used (i.e. water, mineral oil, and nano-fluid). The results of the proposed CFD model have been classified into two phases. The first phase obtains the coolant accessibility percentage into the chip-tool interface (MA%) with different coolant velocities (i.e., 0.5, 1, 1.5, and 2 m/s) for the three studied coolants. The second phase discusses the heat transfer effectiveness for the employed coolants with different inlet velocities since it is an important aspect, especially when machining hard-to-cut materials. It was found that increasing the coolant velocity would increase the coolant accessibility percentage into the chip-tool interface area. However, no significant effect has been found after 1.5 m/s for all employed coolants.
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 | 0,001 |
| 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 ».