Experimental studies and optimisation of machining performance measurement for Al7075/n-SiCp composite by using RSM and ANN techniques
Notice bibliographique
Résumé
The present study explores how process variables affect tool wear during dry turning of 7075 aluminium alloy composites reinforced with 2% nano-sized silicon carbide (n-SiC). Two predictive modelling methods, Response Surface Methodology (RSM) and Artificial Neural Network (ANN), were used to forecast tool wear in ceramic cutting inserts, both with and without Physical Vapor Deposition (PVD) coating. An organized experimental design was created using the L27 orthogonal array approach. Both RSM and ANN models showed strong predictive ability, with coefficients of determination (R²) over 75% and mean squared error (MSE) below 0.2%. Analysis of variance (ANOVA) indicated that feed rate and cutting speed had the most significant effects on tool wear. Cutting depth, feed rate, and cutting speed were all statistically important factors affecting wear behavior. Abrasive wear was more evident at higher machining settings, while adhesive wear was mostly seen at lower settings. Uncoated tools displayed edge chipping, crater wear, and abrasion, with adhesive wear dominant at low machining parameters and abrasive wear at higher ones. Both RSM and ANN models effectively predicted tool wear during dry turning of n-SiC reinforced Al 7075 composites, with feed rate and cutting speed identified as the most influential factors.
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) | 0,000 | 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) | 0,000 | 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 ».