使用Al2O3/石墨烯纳米流体和机器学习算法优化AISI D3工具钢的CNC转

科学领域:

• 材料科学与工程 材料科学与工程
• 制造过程 制造过程 制造过程
• 计算智能是一种计算智能.

背景情况:

• 加工AISI D3工具钢在实现最佳表面质量和温度控制方面存在挑战,原因是过程参数和冷却剂应用不足.
• 纳米流体提供了增强的冷却效率,这对于在苛刻的加工过程中保持工具和工件完整性至关重要.
• 机器学习 (ML) 为预测最佳加工参数提供了一个强大的框架,补充了先进冷却技术的好处.

研究的目的:

• 使用混合纳米流体 (Al2O3 / 石墨烯) 来优化AISI D3工具钢CNC制的工艺参数.
• 通过先进的机器学习技术,提高表面质量和有效地管理工具尖温度.
• 研究纳米流体和ML对加工性能的协同效应.

主要方法:

• 利用响应表面方法 (RSM),逆向传播 (BP) 神经网络和遗传算法 (GA) 进行建模和预测.
• 进行了不同的切割速度 (150-180 m/min),纳米流体度 (0.3-0.9 wt%),切割深度 (0.5-0.9 mm) 和料速度 (0.03-0.07 mm/rev) 的实验.
• 分析了参数对表面粗度和工具尖端温度的影响.

主要成果:

• RSM和ANN的分析发现切割速度和料率是表面质量的重要因素 (分别为11.5%和10.5%的贡献).
• 纳米流体度对工具尖温度产生了重大影响 (42.5%的贡献).
• 基因算法优化了参数,使切割速度达到150 m/min,料速度为0.05 mm/rev,切割深度为0.6 mm,纳米流体度为0.8%,在23.01-28.41°C时表面粗度为0.16-0.45 μm.

结论:

• 该研究强调了Al2O3/石墨烯纳米流体在改善CNC转过程中的表面粗性和控制温度方面的有效性.
• 先进的机器学习算法,包括RSM,BP神经网络和GA,是优化复杂加工过程的宝贵工具.
• 纳米流体和ML的整合为提高工具钢加工操作的效率和质量提供了一个有希望的方法.