Optimization of wet edge finishing of natural stones
Notice bibliographique
Résumé
Edge polishing is a critical process in stones manufacturing and transformation as this process affects both aesthetic quality and manufacturing efficiency. This study investigates the impact of tool geometry, grit size, and cutting conditions on surface quality, tool wear, and process optimization in wet edge polishing of granites. Four tool shapes, eased concave edge, eased chamfered edge, ogee edge, and half-beveled edge, were used, each with three grit sizes (G150, G300, G600). Cutting parameters included spindle speeds of 1500, 2500, and 3500 rpm, along with feed rates of 500, 1000, and 1500 mm/min.Surface quality was assessed by measuring roughness profiles and Ra-values under varying conditions, while tool wear and cutting forces were analyzed to evaluate polishing efficiency. Results indicate that finer grits improve surface finish but increase processing time and tool wear. Higher spindle speeds enhance material removal but generate greater cutting forces, potentially affecting tool longevity. The interaction between edge geometry and process parameters revealed that eased concave and ogee edges require lower energy input and produce superior surface finishes.Process optimization was performed to identify the best balance between surface quality and efficiency. Statistical analysis demonstrated that an optimal combination of G600 grit, a spindle speed of 2500 rpm, and a feed rate of 1000 mm/min provides a favorable compromise between polishing performance and tool durability. Additionally, cutting forces obtained during the edge finishing of black granite were marginally higher than those obtained for white granite. These findings contribute to improving the granite edge polishing process by optimizing cutting parameters to enhance productivity while maintaining high-quality standards.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».