MétaCan
Menu
Retour à la cohorte
Enregistrement W4407058689 · doi:10.1016/j.jmrt.2025.01.246

Optimising subsurface integrity and surface quality in mild steel turning: A multi-objective approach to tool wear and machining parameters

2025· article· en· W4407058689 sur OpenAlexfundno aff
Yuzhu Bai, Raheel Naveed

Notice bibliographique

RevueJournal of Materials Research and Technology · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensnon disponible
Organismes subventionnairesDepartment of Mechanical Engineering, University of AlbertaState Key Laboratory of TribologyTsinghua University
Mots-clésMaterials scienceSurface integrityMachiningMetallurgyQuality (philosophy)Tool wearMechanical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,363
Écart entre enseignants0,310 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Research and TechnologyMême sujetAdvanced machining processes and optimizationTravaux en français237 207