Effect of External Heat Source on Surface Roughness in Turning of Al/SiC Metal Matrix Composites: A Comparative Study of Optimization Methods
Notice bibliographique
Résumé
This research experimentally examines the impact of external heat sources, specifically carburizing and oxidizing heat sources, on the surface quality obtained during the turning of Al/SiC metal matrix composites (Al/SiC-MMCs) on a lathe.A 3-level, 3-factor full factorial design was applied by considering cutting velocity, cutting feed, and cutting depth as variables.According to the experimental findings, empirical power-law analytical models were established to evaluate surface roughness.To optimize the cutting variables, the derived models and associated constraints were subjected to four metaheuristic optimization algorithms such as Differential Evolution (DE), Whale Optimization Algorithm (WOA), Cuckoo Search (CS), and Teaching Learning Based Optimization (TLBO).This study aims to find the most effective combination of cutting velocity, cutting feed, and cutting depth that would improve surface quality and enhance the Material Removal Rate (MRR).Experimental outcomes demonstrate that carburizing flame-assisted turning substantially improves surface quality (overall surface roughness decreased by 17.25%) compared to dry machining and turning assisted by an oxidizing flame.Among the optimization techniques, TLBO achieved the best optimization performance, consistently producing the least surface roughness value of 3.403, with cutting speed converging to 94 m/min, feed rate to 0.113 mm/rev, and depth of cut between 0.34 mm and 0.75 mm.Statistical analysis further confirmed TLBO's superiority, yielding the lowest mean fitness value (3.403), lowest standard deviation (0.005), and highest stability (95% of runs within ±0.005 of the best value).TLBO proved to be the most reliable and effective method for improving surface finish in machining.
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 | 0,000 |
| 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) | 0,001 | 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 ».