Optimization and Tribological Properties of Hybridized Palm Kernel Shell Ash and Nano Boron Nitride Reinforced Aluminium Matrix Composites
Notice bibliographique
Résumé
The tribological properties of hybridized reinforced aluminium matrix composites were optimized using Taguchi and Grey Relational Analysis in conjunction with an L16 orthogonal array. The combination of palm kernel shell ash (PKSA) (0–5 wt. %) along with nano BN reinforcements was taken in interest. Loads and speeds (500, 750, 1000, and 1250 rpm) were employed as control parameters for the experiment. Using a Taber type abrasion machine, the wear samples were made, and the wear experiments were carried out. Speed and load were more important than the percentage of reinforcements in composites when it came to evaluating wear index and loss of volume. With respect to wear index and volume loss, Taguchi‐relational Grey’s analysis identified A3B1C1 (reinforcement = 5 wt. %; load = 500 g; speed = 500 rpm) as the optimal process parameter combination, with a reinforcement of 3 wt. %, load = 500 g, and speed = 500 rpm being the second‐best option. Validation tests have revealed that the anticipated and experiment values at the optimal situations are both within the acceptable range. Performance is influenced more by speed than by load, which is influenced more by the weight percentage of composites, as demonstrated by the application of the Taguchi and Grey Relational Analysis methods.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».