Optimising subsurface integrity and surface quality in mild steel turning: A multi-objective approach to tool wear and machining parameters
Notice bibliographique
Résumé
This study investigates the impact of machining parameters and tool dynamics on mild steel degradation of surface quality and subsurface, including heat effects, deformation, and microstructural changes that lead to microcracks and work hardening. Firstly, we examined the individual impacts of cutting velocity (Vc), feeding rate (f), and depth of cut (ap) on surface roughness and surface topography. Secondly, an examination was conducted to assess the influence of tool wear on the morphology of the turning surface using the white light interferometer (ZYGO). Finally, this study employs Grey Relational Analysis (GRA), Data Environment Analysis Ranking (DEAR), and Multi-objective Optimization based on Ratio Analysis Method (MOORA) optimization techniques with S/N ratios to refine 3D surface roughness (Sa, Sz, Sq) and material removal rates (MRR) in mild steel turning using a CVD-coated carbide tool. Key findings reveal that increasing Vc reduces surface roughness and improves morphology, while higher f and ap deteriorate both. Tool wear progresses through three stages, with the poorest surface quality occurring in the final stage. The results showed that cutting speed is the most influencing parameter on surface roughness in wet (43.37%) and dry (56.66%) turning, followed by feed rate (wet: 6.90%, dry: 7.71%) and depth of cut having minimal impact (wet: 2.04%, dry: 0.12%). The optimal machining parameters, determined as Vc = 125.6 m/min, f = 0.35 mm/rev, and ap = 0.7 mm, demonstrate the efficacy of the optimization techniques in achieving enhanced surface quality and making a significant contribution to the field of machining and manufacturing.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».