Optimization and tribological behavior of carbon nano tubes blended with POE oil
Notice bibliographique
Résumé
Abstract Over the past two decades, nano additive lubricants have become essential in manufacturing as lubricating agents. Our study examines the impact of three process parameters—carbon nanotube (CNT) (volume concentration,%), sliding velocity (m/s), and applied load (N)—on the tribological performance of polyolester oil blended with carbon nanotubes. By employing the robust Taguchi L9 orthogonal array as the design of experiment, the current study made an attempt to identify the best combination of these three factors parameters to achieve the least coefficient of friction (COF) while the study also conducted ANOVA and multivariate linear regression to determine the significant factor that determines the least COF. For this study, POE oil and varying concentrations of CNTs (such as 0.05, 0.075 and 0.1 volume concentration%) were used. For this study, the characterization of the CNTs was performed using TEM, SEM and XRD methods while its stability was validated through Zeta potential value i.e., 0.075 volume concentration% CNT concentration achieved 35 mV zeta potential value. The Taguchi L9 orthogonal array outcomes found the least COF i.e., 0.0359 was achieved from 0.075 volume concentration % of CNT with a sliding speed of 3.6 m s−1 at 50 N load. The ANOVA outcomes confirmed the major contribution (91%) of the CNT concentration towards influencing the COF outcomes. The contour plots confirmed that optimal COF can be achieved when using 0.075 volume concentration% CNT with load ranged from 75 N to 125 N and sliding velocities between 1.2 m s−1 and 3.0 m s−1. The outcomes establish that when POE oil is supplemented with CNTs, it can achieve superior performance as the nanolubricant mitigates the coefficient of friction (COF), eventually enhancing the tribological performance. Future researchers can focus on employing Taguch-grey relational analysis, artificial intelligence and machine learning models to find the optimal process parameters for other lubricants and nanoadditives.
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) | 0,000 | 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) | 0,001 | 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 ».