Multi-objective optimization and experimental investigation of friction stir welding under Minimum quantity lubrication
Notice bibliographique
Résumé
Aluminium is widely used in the aerospace, marine, and transportation industries. However, achieving defect-free, high-quality welds using conventional welding processes is challenging. Friction stir welding (FSW) is a promising solid-state welding process that is environmentally friendly, produces high-quality welds, and improves the mechanical and other properties of aluminium and other lightweight materials. This study examines the welding force, power consumption, and surface roughness of friction stir-welded 6061-T651 and 5052-H32 aluminium alloys under similar and dissimilar circumstances using the minimum quantity lubrication (MQL) process. The main variables of the MQL system, including flow rate, nozzle orientation, and nozzle diameter, were analysed using analysis of variance. A multi-objective model was used to predict the optimal levels, and grey relational analysis techniques were applied for optimization. Furthermore, this study provides a clear mechanism for using MQL during FSW. The results indicate that a flow rate of 7.5 ml/h reduces welding forces by 25% and 4% compared to 5 ml/h and 10 ml/h, respectively. Additionally, the 7.5 ml/h flow rate reduces power consumption by 20% and 10% compared to 5 ml/h and 10 ml/h, respectively. In addition, it improves the surface quality. The orientation nozzle angle of 60° yielded slightly better results than those at the other levels. Similarly, for the nozzle diameter, both 2.5 mm and 3.75 mm showed slightly better results in terms of welding forces, power consumption, and surface roughness.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».