Experimental investigation of effective parameters on productivity improvement of the EDM process for corrosion resistant metals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Inconel 625 superalloy and stainless steel 304 are known for their significant corrosion resistance along with their high hardness and strength. Therefore, they are used in a wide range of industries, including oil and gas, nuclear, etc. Electrical discharge machining is among the most widely used processes for machining of these metals. However, this process has limitations, such as low material removal efficiency, high surface roughness, and the formation of a recast layer. Therefore, in this study, the effective parameters on increasing the material removal efficiency and reducing recast layer thickness are investigated. These parameters include the dielectric fluid, electrode material, discharge current, and pulse duration. After performing the test matrix, the effect of each of the input parameters on the material removal rate, surface roughness and thickness of the recast layer is evaluated using the ANOVA method. The results of this analysis showed that the type of dielectric fluid and the presence of silver oxide nanoparticles have a significant effect on output variables. When using sunflower oil fluid containing nanoparticles and the silver electrode, the recast layer and surface roughness are reduced, while the average material removal rate increases by 40% compared to the traditional mode. Also, due to the biodegradability of deionized water and sunflower oil fluids, the environmental sustainability of the process in this study is increased and while increasing productivity, it leads to the sustainable development of the EDM process.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle