بررسی عددی پارامترهای مختلف بر سایش ابزار در فرآیند ماشین کاری کامپوزیت زمینه فلزی آلومینیومی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 152

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MME-23-10_024

تاریخ نمایه سازی: 10 اسفند 1403

چکیده مقاله:

در این مقاله، اثرات تغییر چهار پارامتر مختلف ورودی مانند سرعت برشی، نرخ پیشروی، نیروی پیشروی در راستای Z و نیرو در راستای Y بر خروجی سایش ابزار در فرآیند ماشین کاری کامپوزیت زمینه فلزی آلومینیومی بررسی شده است. به منظور بررسی عددی میزان تاثیر هر پارامتر بر خروجی فرآیند ماشین کاری کامپوزیت مورد نظر از فرآیند تحلیل حساسیت ای-فست استفاده شده است. روش ای-فست دارای سرعت بالایی در آنالیز کمی و کیفی داده ها می باشد. پس از انجام تحلیل حساسیت مشاهده شد که با افزایش نیروی پیشروی در راستای X میزان سایش ابزار با شیب زیادی افزایش خواهد یافت. همچنین مشاهده شد که این پارامتر (نیروی پیشروی در راستای X) با میزان ۸۸ درصد، بیشترین تاثیر بر میزان سایش ابزار را نسبت به دیگر پارامترهای ورودی دارد. پارامترهای نرخ پیشروی، نیروی پیشروی در راستای Z و سرعت برشی به ترتیب با سهم های ناچیز ۸درصد، ۳ درصد و ۱ درصد بر سایش ابزار موثر می باشند

نویسندگان

احمد همایونی

دانشگاه صنعتی اراک

حامد فرجی

دانشگاه اراک

علی فراهانی

دانشگاه اراک

نیما رحمانی

دانشگاه اراک

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Pramod R, Kumar GV, Gouda PS, Mathew AT. A study ...
  • Bhattacharyya D, Bowis ME, Gregory JT. The influence of alumina ...
  • Lane C. The effect of different reinforcements on PCD tool ...
  • n, E., n, M., r, M. Milling Tool Wear Prediction ...
  • Azmi AI, Lin RJ, Bhattacharyya D. Tool wear prediction models ...
  • Wiciak-Pikuła M, Felusiak-Czyryca A, Twardowski P. Tool wear prediction based ...
  • Fadaei, A., Sori, M. PREDICTION OF CUTTING SPEED AND FEED ...
  • Zhou G, Xu C, Ma Y, Wang XH, Feng PF, ...
  • Karabulut Ş. Optimization of surface roughness and cutting force during ...
  • Kumar GV, Pramod R, Gouda PS, Rao CS. Artificial neural ...
  • Faraji, H., Taheri, M. Sensitivity analysis of parameters affecting cutting ...
  • Cukier RI, Levine HB, Shuler KE. Nonlinear sensitivity analysis of ...
  • Saltelli A. Making best use of model evaluations to compute ...
  • Khorshidi K, Taheri M, Ghasemi M. Sensitivity analysis of vibrating ...
  • sousanabadi farahani, A., Khalili, O., Torabi, A. Sensitivity analysis of ...
  • Bhattacharyya D, Bowis ME, Gregory JT. The influence of alumina ...
  • Lane C. The effect of different reinforcements on PCD tool ...
  • n, E., n, M., r, M. Milling Tool Wear Prediction ...
  • Azmi AI, Lin RJ, Bhattacharyya D. Tool wear prediction models ...
  • Wiciak-Pikuła M, Felusiak-Czyryca A, Twardowski P. Tool wear prediction based ...
  • Fadaei, A., Sori, M. PREDICTION OF CUTTING SPEED AND FEED ...
  • Zhou G, Xu C, Ma Y, Wang XH, Feng PF, ...
  • Karabulut Ş. Optimization of surface roughness and cutting force during ...
  • Kumar GV, Pramod R, Gouda PS, Rao CS. Artificial neural ...
  • Faraji, H., Taheri, M. Sensitivity analysis of parameters affecting cutting ...
  • Cukier RI, Levine HB, Shuler KE. Nonlinear sensitivity analysis of ...
  • Saltelli A. Making best use of model evaluations to compute ...
  • Khorshidi K, Taheri M, Ghasemi M. Sensitivity analysis of vibrating ...
  • sousanabadi farahani, A., Khalili, O., Torabi, A. Sensitivity analysis of ...
  • نمایش کامل مراجع