Effect of Deposition Parameters on Micromechanical Properties and Machining Performance of CrN Coating for Wet Finish Turning of Ti6Al4V Alloy
Notice bibliographique
Résumé
This study aims to optimize the performance of CrN coatings deposited on WC cutting tools for machining Ti6Al4V alloy, where the formation of built-up edge (BUE) is a prevalent and critical issue. In-house CrN coatings were developed using the PVD (Physical Vapor Deposition) process, with variations in deposition parameters including nitrogen gas pressure, bias voltage, and coating thickness. A comprehensive experimental approach encompassing deposition, characterization, and machining performance evaluation was employed to identify the optimal deposition conditions. The results indicated that CrN coatings deposited at a nitrogen gas pressure of 4 Pa, a bias voltage of -50 V, and a thickness of 1.81 µm exhibited superior performance, significantly reducing BUE formation and tool wear. These optimized coatings demonstrated enhanced properties, such as a higher elastic modulus and a lower coefficient of friction, which contributed to improved tool life and machining performance. Comparative studies with commercial CrN coatings revealed that the in-house developed coatings outperformed the commercial variants by approximately 65% in tool life, owing to their superior mechanical properties and reduced friction. This research highlights the potential of tailored CrN coatings for advanced machining applications and emphasizes the importance of optimizing deposition parameters to achieve high-performance tool coatings.
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 ».