بهینهسازی همزمان زبری سطح و نرخ برداشت ماده در تراشکاری خشک سوپرآلیاژ اینکونل600
نویسندگان
چکیده مقاله:
آلیاژهای پایه نیکل کاربرد زیادی در صنایع هوافضا، نیروگاهی و پتروشیمی دارند. ماشینکاری این آلیاژها معمولاً با نیرو و دمای برش زیاد و کیفیت سطح پایین همراه است. برای مقابله با این محدودیتها، در ماشینکاری آلیاژهای پایه نیکل از مقادیر نسبتاً کوچک پارامترهای برشی استفاده میشود که نرخ تولید را به میزان قابل توجهی کاهش میدهد. در این مقاله، تأثیر سرعت برشی، نرخ پیشروی و عمق برش بر زبری سطح در تراشکاری خشک سوپر آلیاژ پایه نیکل اینکونل 600 با استفاده از ابزار کاربایدی در محدوده عملیات پرداختکاری بصورت تجربی بررسی شده است. طراحی آزمایشها بصورت کامل بوده و در مجموع، 48 آزمایش انجام شده است. آنالیز واریانس انجام شده نشان داد که نرخ پیشروی 69%، عمق برش 6% و سرعت برشی 2% بر زبری سطح اینکونل 600 اثرگذار هستند. علاوه بر اندازهگیری زبری سطح، میزان نرخ برداشت براده در هر آزمایش محاسبه شده و سپس، مقادیر بهینه پارامترهای ماشینکاری برای رسیدن همزمان به حداقل زبری سطح و حداکثر نرخ برداشت براده با استفاده از شبکه عصبی و الگوریتم بهینهسازی رقابت استعماری بدست آمده است. به کمک این الگوریتم، چندین سطح از پارامترهای برشی بهینه تعیین شده است که با توجه به زبری سطح و نرخ برداشت ماده مورد نیاز، یک طراح فرآیند میتواند مقادیر پارامترهای برشی مذکور را مورد استفاده قرار دهد.
منابع مشابه
تاثیرات خنککاری برودتی و روانکاری با نانوسیال بر زبری سطح و سایش ابزار در تراشکاری سوپرآلیاژ A286
سوپرآلیاژها فلزاتی با چقرمگی بالا و هدایت حرارتی ضعیف هستند که قابلیت ماشینکاری پایینی دارند. سایش شدید ابزار و زبری سطح نامناسب در ماشینکاری اینگونه مواد از چالشهای اصلی در ماشینکاری میباشد. در پژوهش حاضر، تاثیر نوع سیال برش بههمراه روش اعمال آن تحت عنوان حداقل مقدار روانکار-خنککار بر زبری سطح قطعهکار و سایش ابزار در تراشکاری سوپرآلیاژ 286A مورد بررسی قرار گرفته و نتایج آن با دو روش مرطوب...
متن کاملبررسی زبری سطح در تراشکاری لوله های کامپوزیتی با الیاف شیشه و رزین اپوکسی
امروزه کامپوزیت ها در مقایسه با فلزها، با توجه به برخورداری از خواص مکانیکی بالا نسبت به وزن و مقاومت به خوردگی خوب، کاربرد گسترده ای در صنایع مختلف از جمله هوا فضا، خودرویی و دفاعی پیدا نموده اند. ماشینکاری این مواد با توجه به ساختار مرکب آنها، از پیچیدگی خاصی برخوردار است. دستیابی به شرایط بهینه ماشینکاری، بسته به نوع نیاز، با توجه به نوع الیاف و رزین مصرف شده در کامپوزیت ها، به بررسی دقیق و ...
متن کاملبررسی و بهینه سازی فرآیند لپنکاری تخت با استفاده از الگوریتم ژنتیک چند هدفه با رویکرد مرتب سازی نامغلوب
فرآیند لپنکاری یکی از مهمترین فرآیندهای پرداختکاری به منظور رسیدن به سطوحی با تختی بالا است. در این مقاله در فرآیند لپنکاری تخت یک طرفه، اثر پارامترهای اندازه ذرات ساینده، درصد وزنی ذرات ساینده در دوغاب لپنکاری و فشار لپنکاری بر نرخ برداشت ماده، تختی و زبری سطح قطعات لپنکاری شده مورد بررسی قرار گرفته است. آزمایشها توسط دستگاه لپنکاری لپ مستر 15 و بر روی قطعاتی از جنس فولاد 440c انجام شده اند. م...
متن کاملبررسی تاثیر پارامترهای ماشینکاری با جریان ساینده (afm) بر نرخ برداشت ماده و پرداخت سطح
چکیده فرآیند ماشینکاری با جریان ساینده یکی از فرآیندهای غیر سنتی پرداخت سطح محسوب می گردد که برداشت ماده آن میکرو یا نانو مکانیکی و بکمک ذرات ریز ساینده می باشد. این فرآیند برای عملیاتی مانند صیقل کاری، پلیسه گیری، برداشت لایه های دوباره ریختگی شده، پرداختکاری سطوح غیر قابل دسترسی و پیچیده، شعاع تراشی لبه ها و غیره استفاده می شود. در این تحقیق تاثیر سه پارامتر قابل کنترل این فرآیند از قبیل ان...
15 صفحه اولپیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی
پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی- عصبی (سیستم استنتاج فازی- عصبی تطبیقی ANFIS) به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی...
متن کاملپیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی
Optimization of machining parameters is very important and the main goal in every machining process. Surface finishing prediction is a pre-requirement to establish a center for automatic machining operations. In this research, a neuro-fuzzy approach is used in order to model and predict the surface roughness in dry turning. This approach has both the learning capability of neural network and li...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 5 شماره 3
صفحات 1- 11
تاریخ انتشار 2018-11-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023