Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp kết hợp để mô hình hóa và tối ưu hóa quá trình gia công MQL Inconel 625 bằng các kỹ thuật học máy và ra quyết định đa tiêu chí
Tóm tắt
Nghiên cứu này nhằm tối ưu hóa quy trình gia công mài với lượng tối thiểu chất bôi trơn (MQL) cho Inconel 625 (IN 625) đồng thời nâng cao khả năng hiểu biết của quy trình. Nghiên cứu đã sử dụng các phương pháp thực nghiệm dựa trên thiết kế Box-Behnken để điều tra các tham số quan trọng, bao gồm lực tiếp tuyến, độ nhám bề mặt, năng lượng đặc trưng, và hệ số ma sát hiển thị. Hơn nữa, các kỹ thuật học máy, cụ thể là hồi quy rừng ngẫu nhiên và hồi quy quá trình Gaussian (GPR), đã được sử dụng để xây dựng các mô hình dự đoán. Các mô hình này được đánh giá bằng các tiêu chuẩn như R2, sai số tuyệt đối trung bình, và sai số bình phương trung bình. Kết quả cho thấy GPR vượt trội hơn các kỹ thuật khác trong việc dự đoán dữ liệu một cách chính xác. Ngoài ra, nghiên cứu này đã áp dụng các kỹ thuật ra quyết định đa tiêu chí, cụ thể là TOPSIS và VIKOR, kết hợp với phương pháp entropy để xác định các điều kiện tối ưu cho gia công MQL của IN 625. Các tham số tối ưu để đạt được lực tiếp tuyến thấp, độ nhám bề mặt cao, năng lượng đặc trưng thấp, và hệ số ma sát hiển thị thấp đã được xác định là tốc độ bánh xe 1800 m/phút, tốc độ bàn 9000 mm/phút, và độ sâu cắt 0.01 mm. Hơn nữa, giá trị Ra (độ nhám bề mặt) cao hơn cho thấy tính hiệu quả vượt trội của gia công MQL so với gia công khô, vì việc áp dụng kỹ thuật MQL giúp duy trì độ sắc của hạt trong thời gian dài hơn. Hình ảnh SEM và phân tích EDS của bề mặt đã gia công xác nhận rằng hình dạng bề mặt tốt hơn đã được tạo ra ở các tham số tối ưu của gia công MQL.
Từ khóa
#MQL #gia công #Inconel 625 #tối ưu hóa #học máy #quyết định đa tiêu chíTài liệu tham khảo
Lv, L., Deng, Z., Liu, T., Li, Z., Liu, W.: Intelligent technology in grinding process driven by data: a review. J. Manuf. Process. 58, 1039–1051 (2020). https://doi.org/10.1016/j.jmapro.2020.09.018
Manikandan, N., Thejasree, P., Lakshmi Narasimhamu, K., Krishnamachary, P.C.: Investigations on machinability and evolution of hybrid artificial intelligent tools for contemporary machining of nickel alloy. Mater. Manuf. Process. (2022). https://doi.org/10.1080/10426914.2022.2157430
Bonaccorso, G.: Machine Learning Algorithms. Packt Publishing Ltd, Birmingham (2017)
Klocke, F., Kuchle, A.: Manufacturing Processes, vol. 2. Springer, Berlin (2009)
Rakesh, P.R., Chakradhar, D.: Experimental investigation of hybrid cooling approach using a modified tool holder for turning of Inconel 625 superalloy. Int. J. Adv. Manuf. Technol. (2023). https://doi.org/10.1007/s00170-022-10781-4
Awale, A.S., Chaudhari, A., Kumar, A., Khan Yusufzai, M.Z., Vashista, M.: Synergistic impact of eco-friendly nano-lubricants on the grindability of AISI H13 tool steel: a study towards clean manufacturing. J. Clean. Prod. 364, 132 (2022)
Malik, A.K., Ghosh, S., Pandey R.K.: Experimental studies on the grinding of Ti–6Al–4V using micro and nano size solid lubricants. In: All India Manufacturing Technology, dEsign and Research Conference-2014, pp. 3–7 (2014)
Brian Rowe, P.W., Li Yan, I., Inasaki, Malkin, S.: Applications of artificial intelligence in grinding. CIRP Ann. 43(2), 521–531 (1994)
Prashanth, G.S., Sekar, P., Bontha, S., Balan, A.S.S.: Grinding parameters prediction under different cooling environments using machine learning techniques. Mater. Manuf. Process. 38(2), 235–244 (2023)
Gao, K., Chen, H., Zhang, X., Ren, X.K., Chen, J., Chen, X.: A novel material removal prediction method based on acoustic sensing and ensemble XG Boost learning algorithm for robotic belt grinding of Inconel 718. Int. J. Adv. Manuf. Technol. 105(1–4), 217–232 (2019)
Pandiyan, V., Caesarendra, W., Glowacz, A., Tjahjowidodo, T.: Modelling of material removal in abrasive belt grinding process: a regression approach. Symmetry (Basel) 12(1), 9 (2020). https://doi.org/10.3390/SYM12010099
Jha, P., et al.: A hybrid ensemble learning model for evaluating the surface roughness of AZ91 alloy during the end milling operation. Surf. Rev. Lett. (2023). https://doi.org/10.1142/S0218625X23400048
Kumar, V., Choudhary, A.K.: A hybrid response surface methodology and multi-criteria decision making model to investigate the performance and emission characteristics of a diesel engine fueled with phenolic antioxidant additive and biodiesel blends. J. Energy Resour. Technol. 145(9), 092302 (2023)
Dinbandhu, Abhishek, K.: Parametric optimization and evaluation of RMDTM welding performance for ASTM A387 Grade 11 steel plates using TOPSIS-Taguchi approach. In: International Conference on Advances in Materials Processing & Manufacturing Applications, pp. 215–227 (2020)
Chakraborty, S., Chakraborty, S.: A scoping review on the applications of MCDM techniques for parametric optimization of machining processes. Arch. Comput. Methods Eng. (2022). https://doi.org/10.1007/s11831-022-09731-w
Maity, S.R., Chakraborty, S.: Grinding wheel abrasive material selection using fuzzy TOPSIS method. Mater. Manuf. Process. 28(4), 408–417 (2013). https://doi.org/10.1080/10426914.2012.700159
Awale, A.S., Vashista, M., Khan Yusufzai, M.Z.: Multi-objective optimization of MQL mist parameters for eco-friendly grinding. J. Manuf. Process. 56, 75–86 (2020). https://doi.org/10.1016/j.jmapro.2020.04.069
Huy, T.Q., et al.: Application of TOPSIS, MAIRCA and EAMR methods for multi-criteria decision making in cubic boron nitride grinding. East. Eur. J. Enterp. Technol. 3(1–117), 58–66 (2022)
Khan, A.M., et al.: Multi-objective optimization for grinding of AISI D2 steel with Al2O3 wheel under MQL. Materials (2018). https://doi.org/10.3390/ma11112269
Stephen, D.S., Sethuramalingam, P.: Optimization of grinding titanium with 2%CNT-CBN wheel using TOPSIS. Mater. Manuf. Process. 37(14), 1679–1690 (2022). https://doi.org/10.1080/10426914.2022.2039696
Liao, T.W., Hua, G., Qu, J., Blau, P.J.: Grinding wheel condition monitoring with Hidden Markov model-based clustering methods. Mach. Sci. Technol. 10(4), 511–538 (2006). https://doi.org/10.1080/10910340600996175
Li, C., Jiao, F., Ma, X., Niu, Y., Tong, J.: Dressing principle and parameter optimization of ultrasonic-assisted diamond roller dressing WA grinding wheel using response surface methodology and genetic algorithm. Int. J. Adv. Manuf. Technol. (2023). https://doi.org/10.1007/s00170-023-11916-x
Patnaik, L., Maity, S.R., Kumar, S.: Evaluation of gamma irradiated Ti6Al4V and silver alloyed aC coatings as friction pair via response surface methodology. Adv. Mater. Process. Technol. 8(sup3), 1456–1473 (2022)
Sinha, M.K., Setti, D., Ghosh, S., Rao, P.V.: An alternate method for optimisation of minimum quantity lubrication parameters in surface grinding. Int. J. Mach. Mach. Mater. 18(5–6), 586–605 (2016)
Grömping, U.: Variable importance assessment in regression: linear regression versus random forest. Am. Stat. 63(4), 308–319 (2009). https://doi.org/10.1198/tast.2009.08199
Hultquist, C., Chen, G., Zhao, K.: A comparison of Gaussian process regression, random forests and support vector regression for burn severity assessment in diseased forests. Remote Sens. Lett. 5(8), 723–732 (2014). https://doi.org/10.1080/2150704X.2014.963733
Schulz, E., Speekenbrink, M., Krause, A.: A tutorial on Gaussian process regression: modelling, exploring, and exploiting functions. J. Math. Psychol. 85, 1–16 (2018). https://doi.org/10.1016/j.jmp.2018.03.001
Kumar, R., et al.: Revealing the benefits of entropy weights method for multi-objective optimization in machining operations: a critical review. J. Mater. Res. Technol. 10, 1471–1492 (2021)
Yuvaraj, N., Pradeep Kumar, M.: Multiresponse optimization of abrasive water jet cutting process parameters using TOPSIS approach. Mater. Manuf. Process. 30(7), 882–889 (2015). https://doi.org/10.1080/10426914.2014.994763
Opricovic, S., Tzeng, G.H.: Compromise solution by MCDM methods: a comparative analysis of VIKOR and TOPSIS. Eur. J. Oper. Res.Oper. Res. 156(2), 445–455 (2004). https://doi.org/10.1016/S0377-2217(03)00020-1
Madarkar, R., Agarwal, S., Attar, P., Ghosh, S., Rao, P.V.: Application of ultrasonic vibration assisted MQL in grinding of Ti–6Al–4V. Mat. Manuf. Process. 33(13), 1445–1452 (2018)
Balan, A.S.S., Vijayaraghavan, L., Krishnamurthy, R., Kuppan, P., Oyyaravelu, R.: An experimental assessment on the performance of different lubrication techniques in grinding of Inconel 751. J. Adv. Res. 7(5), 709–718 (2016). https://doi.org/10.1016/j.jare.2016.08.002
Hemdan, E.E.D., El-Shafai, W., Sayed, A.: CR19: a framework for preliminary detection of COVID-19 in cough audio signals using machine learning algorithms for automated medical diagnosis applications. J. Ambient. Intell. Humaniz. Comput.Intell. Humaniz. Comput. 14(9), 11715–11727 (2023). https://doi.org/10.1007/s12652-022-03732-0
Khoshi, A., Shams Gooshki, H., Mahmoudi, N.: The data on the effective qualifications of teachers in medical sciences: an application of combined fuzzy AHP and fuzzy TOPSIS methods. Data Brief 21, 2689–2693 (2018). https://doi.org/10.1016/j.dib.2018.10.165
Zeng, Q.L., Li, D.D., Bin Yang, Y.: VIKOR method with enhanced accuracy for multiple criteria decision making in healthcare management. J. Med. Syst. (2013). https://doi.org/10.1007/s10916-012-9908-1
Awale, A.S., Srivastava, A., Vashista, M., Khan Yusufzai, M.Z.: Influence of minimum quantity lubrication on surface integrity of ground hardened H13 hot die steel. Int. J. Adv. Manuf. Technol. 100(1–4), 983–997 (2019). https://doi.org/10.1007/s00170-018-2777-0
Awale, A.S., Vashista, M., Khan Yusufzai, M.Z.: Application of eco-friendly lubricants in sustainable grinding of die steel. Mater. Manuf. Process. 36(6), 702–712 (2021). https://doi.org/10.1080/10426914.2020.1866187