Comparative Study of the Effect of Dry, Mineral Oil, and TiO2 Nano-Lubricant on Tool Wear During Face-Milling Machining of Ti-6al-4v-Eli Using Carbide Tool Insert
Notice bibliographique
Résumé
Titanium alloys are valuable materials in the manufacturing industry. They are applied to develop major parts in the aerospace, automobile, and aeronautic industry. The major challenge faced by the manufacturer is the ability to cut Titanium alloys to the specific shape desired. The influence of nanoparticles as an additive to the mineral oil is vital in the machining of Titanium alloys to reduce vibration and friction, leading to high wear in the cutting tool. The quest for a sustainable and reliable method to minimize tool wear and increase efficiency has led to the nano-lubricants application during metal machining. Therefore, this research focus on the impact of three machining cutting conditions on TI-6AL-4V-ELI during face-milling operations. The Taguchi experimental design method was employed to study the machining factors effects on the tool wear by varies the machining factors, such as Cutting speed: 2000 rpm, 2500 rpm, and 3000 rpm, Feed rate: 150 mm/min, 200 mm/min, 250 mm/min, Depth of Cut: 0.3 mm, 0.6 mm, and 0.9 mm and the cutting conditions: dry, mineral oil and Titanium Oxide (TiO2) nano-lubricant to study their effects on the Carbide Insert cutting tool wear minimization for improving workpiece's machinability. This research also studies the interactions of the machining factors on the tool wear under the three lubrication cutting conditions. The findings confirm that the state of TiO2 nano-lubricants decreased the tool wear for all the experimental runs. The signal-to-noise ratio results from the Taguchi design show that the cutting condition has a significant role in having 5.794. The cutting speed of 2.145, the feed rate of 0.789, and the depth of cut were 0.724. Furthermore, the generated model could predict the cutting tool wear rate with 97%, proving that the experimental result is viable for application in the manufacturing industry.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».