Turning of Inconel 718 Using Liquid Nitrogen: Multi-objective Optimization of Cutting Parameters Using RSM
Notice bibliographique
Résumé
Abstract The objective of this research was to investigate the effectiveness of application of liquid nitrogen (LN 2 ) in turning of Inconel 718 compared to flooded cutting and select suitable LN 2 cutting parameters using response surface methodology (RSM). The results of turning experiments conducted by spraying LN 2 to the cutting area of Inconel 718 bar showed that using either low or high cutting parameters, cutting performance of Inconel 718 under the cryogenic condition was generally worse than the flooded cutting. However, using the medium cutting parameters the cutting performance was as good as flooded cutting showing the values of 90 N of cutting force, 60 µm of flank wear and 0.5-0.6 µm of surface roughness (Ra). These parameters were further optimized using desirability function of RSM to determine the set of parameters that provide the lowest cutting force, flank wear and Ra and the highest material removal rate (MRR) under cryogenic cutting. Analysis of variance (ANOVA) performed on the developed regression models showed that cutting speed was the significant factor on cutting force. Feed rate was the most influential parameter on flank wear. Feed rate and depth of cut was significant factors affecting Ra. Multi-objective optimization showed that a cutting speed of 87 m/min, a feed rate of 0.06 mm/rev and a depth of cut of 0.37 mm constituted the optimum cutting parameters for achieving the, cutting force of 78 N, flank wear of 58 µm, Ra of 0.49 µm and the MRR of 1.97 cm 3 /min under cryogenic cutting condition.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».