مهندسی مکانیک مدرس

مهندسی مکانیک مدرس

مدلسازی پارامترهای سایش مکانیکی در فرایند براده برداری تخلیه الکتریکی آلیاژ Ti-6Al-4V با استفاده از الگوریتم فازی

نوع مقاله : پژوهشی اصیل

نویسنده
گوهر رنجبری
دانشگاه آزاد اسلامی هادیشهر
10.22034/mme.23.10.37
چکیده
در این مقاله، با استفاده از الگوریتم فازی،متغیرهای پاسخ نرخ سایش ابزار ، نرخ براده برداری از قطعه کار و زبری سطح در فرایند ماشینکاری ماده Ti-6Al-4V توسط تخلیه الکتریکی مدلسازی شده است. در فرایند ماشینکاری تخلیه الکتریکی، الکترود مسی به عنوان ابزار استفاده شده است و فرایند فشار در کانالهای هم مقطع زاویه دار (ایکپ) بر روی ابزار اعمال شده است. در این مدلسازی ترکیبی تعداد پاسهای فرایند ایکپ، شدت جریان، زمان روشنی پالس و زمان خاموشی پالس به عنوان پارامترهای ورودی انتخاب شده اند. نتایج ارزیابی و صحت سنجی مدلسازی فازی، با استفاده از داده های تجربی نشان میدهد الگوریتم فازی با دقت بالای 95% قادر به مدلسازی و ایجاد ارتباط بین متغیرهای پاسخ بر اساس پارامترهای ورودی میباشد. بنابراین با استفاده از این روش میتوان به سادگی به پیش بینی متغیرهای پاسخ پرداخت و از انجام آزمایشهایی که مستلزم صرف زمان و هزینه زیادی هستند، بی نیاز شد.
کلیدواژه‌ها
مدلسازی فازی
ماشینکاری تخلیه الکتریکی
ایکپ
نرخ سایش ابزار
نرخ براده برداری از قطعه کار
زبری سطح

موضوعات

عنوان مقاله English

Modeling of Erosion Parameters in Spark Machining of Ti-6Al-4V Alloy using Fuzzy Method

نویسنده English

Gouhar Ranjbari
چکیده English

In this paper, tool and workpiece wear ratio and surface roughness in the removal process of Ti-6Al-4V by spark are modeled using fuzzy algorithm. In the machining process using a spark, a copper electrode is used as a tool and equal channel angular pressing (ECAP) process is applied to the tool. In this combined modelling the number of ECAP passes, current, spark presence time and spark absence time are used as input parameters. The evaluation and validation results of fuzzy modeling, using experimental data, show that the fuzzy algorithm is capable of modeling and establishing relationships between response variables based on input parameters with high accuracy. Therefore, by using this method, one can easily predict the response variables and avoid the need of conducting experiments that require spending a lot of time and cost.

کلیدواژه‌ها English

Fuzzy Modelling
Spark Machining
ECAP
Tool Wear Ratio
Work Piece Wear Rate
Surface roughness
[1] Çaydaş U, Hasçalık A, Ekici S. An adaptive neuro-fuzzy inference system (ANFIS) model for wire-EDM. Expert Systems with Applications. 2009 Apr 1;36(3):6135-9.
[2] Lin CL, Lin JL, Ko TC. Optimisation of the EDM process based on the orthogonal array with fuzzy logic and grey relational analysis method. The International Journal of Advanced Manufacturing Technology. 2002 Feb;19:271-7.
[3] Yilmaz O, Eyercioglu O, Gindy NN. A user-friendly fuzzy-based system for the selection of electro discharge machining process parameters. Journal of Materials Processing Technology. 2006 Mar 10;172(3):363-71.
[4] Dewangan S, Gangopadhyay S, Biswas CK. Study of surface integrity and dimensional accuracy in EDM using Fuzzy TOPSIS and sensitivity analysis. Measurement. 2015 Mar 1;63:364-76.
[5] Shabgard MR, Badamchizadeh MA, Ranjbary G, Amini K. Fuzzy approach to select machining parameters in electrical discharge machining (EDM) and ultrasonic-assisted EDM processes. Journal of Manufacturing Systems. 2013 Jan 1;32(1):32-9.
[6] Ezilarasan, C., Senthil Kumar, V. S., & Velayudham, A. (2013). Effect of machining parameters on surface integrity in machining Nimonic C-263 super alloy using whisker-reinforced ceramic insert. Journal of materials engineering and performance, 22, 1619-1628.
[7] Ezilarasan C, Senthil Kumar VS, Velayudham A. Effect of machining parameters on surface integrity in machining Nimonic C-263 super alloy using whisker-reinforced ceramic insert. Journal of materials engineering and performance. 2013 Jun;22:1619-28.
[8] Gopal R, Thirunavukkarasu K, Kavimani V, Gopal PM. Measurement and multi-response optimization of spark erosion machining parameters for titanium alloy using hybrid taguchi–grey relational analysis–principal component analysis approach. Journal of Materials Engineering and Performance. 2021 Apr;30:3129-43.
[9] Kosko B. Global stability of generalized additive fuzzy systems. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 1998 Aug;28(3):441-52.
[10] Jang JS, Sun CT, Mizutani E. Neuro-fuzzy and soft computing Upper Saddle River.
[11] Yilmaz O, Eyercioglu O, Gindy NN. A user-friendly fuzzy-based system for the selection of electro discharge machining process parameters. Journal of Materials Processing Technology. 2006 Mar 10;172(3):363-71.
[12] Tzeng YF, Chen FC. Multi-objective optimisation of high-speed electrical discharge machining process using a Taguchi fuzzy-based approach. Materials & design. 2007 Jan 1;28(4):1159-68.
مهندسی مکانیک مدرس
دوره 23، شماره 10
مهر 1402
صفحه 37-42