相关实验视频
Updated: Jan 16, 2026
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
1.8K
使用机器学习在Inconel 718合金的削中预测切割参数和减少输出参数
Maher Waleed Hamıd Hamıd1, Barış Özlü2, Hasan Basri Ulaş3
1Department of Manufacturing Engineering, Institute of Graduate Education, Karabük University, Karabük, 78050, Turkey.
Scientific reports
|September 26, 2025
概括
在最小滑量 (MQL) 下,Inconel 718合金的可持续削显示了能耗 (EC) 和碳排放 (CE) 的降低,并优化了切割参数. 机器学习模型准确地预测了这些结果,有助于可持续的制造实践.
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
- 可持续制造 可持续制造 可持续制造
背景情况:
- 合金Inconel 718是一种高性能材料,用于苛刻的应用.
- 可持续的制造实践对于减少加工对环境的影响至关重要.
- 优化切割参数和冷却/滑是提高效率和减少浪费的关键.
研究的目的:
- 为了研究冷却/滑和切割参数对能源消耗 (EC),碳排放 (CE),表面粗 (Ra),切割温度 (T),工具磨损 (Vb) 和Inconel 718削过程中的振动 (Vib) 的影响.
- 开发和评估三种基于回归的机器学习 (ML) 模型,用于预测这些加工反应.
- 为了确定可持续的Inconel 718合金削的最佳加工条件.
主要方法:
- 在不同的冷却/滑 (空气和MQL) 和切割参数 (料率,切割速度) 下,Inconel 718合金的试验削.
- 测量能源消耗,碳排放,表面粗,切割温度,工具磨损和振动.
- 开发和验证三种基于回归的机器学习模型 (例如,R-squared,MSE,MAPE) 来预测加工结果.
主要成果:
- 降低料速率和切割速度,特别是在MQL条件下,显著降低了能源消耗和碳排放.
- 最低的表面粗度是在高切割速度和低料率与MQL.
- 机器学习模型在预测能源消耗,碳排放,表面粗,切割温度和振动方面表现出高准确度.
结论:
- 优化切割参数和利用MQL是提高Inconel 718削可持续性的有效策略.
- 开发的ML模型为预测加工性能提供了可靠的工具,使过程优化和知情决策成为可能.
- 这项研究有助于推进先进合金的环保加工技术.
