Published January 25, 2024 | Version v1
Publication Open

Machine learning for multi-dimensional performance optimization and predictive modelling of nanopowder-mixed electric discharge machining (EDM)

Creators

  • 1. University of Engineering and Technology Lahore
  • 2. University of Leeds
  • 3. King Saud University

Description

Abstract Aluminium 6061 (Al6061) is a widely used material for various industrial applications due to low density and high strength. Nevertheless, the conventional machining operations are not the best choice for the machining purposes. Therefore, amongst all the non-conventional machining operations, electric discharge machining (EDM) is opted to carry out the research due to its wide ability to cut the materials. But the high electrode wear rate (EWR) and high dimensional inaccuracy or overcut (OC) of EDM limit its usage. Consequently, nanopowder is added to the dielectric medium to address the abovementioned issues. Nanopowder mixed EDM (NPMEDM) process is a complex process in terms of performance predictability for different materials. Similarly, the interactions between the process parameters such as peak current ( I p ), spark voltage ( S v ), pulse on time ( P on ) and powder concentration ( C p ) in dielectric enhance the parametric sensitivity. In addition, the cryogenic treatment (CT) of electrodes makes the process complex limiting conventional simulation approaches for modelling inter-relationships. An alternative approach requires experimental exploration and systematic investigation to model EWR and overcutting problems of EDM. Thus, artificial neural networks (ANNs) are used for predictive modelling of the process which are integrated with multi-objective genetic algorithm (MOGA) for parametric optimization. The approach uses experimental data based on response surface methodology (RSM) design of experiments. Moreover, the process physics is thoroughly discussed with parametric effect analysis supported with evidence of microscopic images, scanning electron microscopy (SEM) and 3D surface topographic images. Based on multi-dimensional optimization results, the NT brass electrode showed an improvement of 65.02% in EWR and 59.73% in OC using deionized water. However, CT brass electrode showed 78.41% reduction in EWR and 67.79% improved dimensional accuracy in deionized water. In addition to that, CT brass electrode gave 27.69% less EWR and 81.40% improved OC in deionized water compared to kerosene oil.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الألمنيوم المجرد 6061 (Al6061) هو مادة مستخدمة على نطاق واسع لمختلف التطبيقات الصناعية بسبب الكثافة المنخفضة والقوة العالية. ومع ذلك، فإن عمليات المعالجة التقليدية ليست هي الخيار الأفضل لأغراض المعالجة. لذلك، من بين جميع عمليات الآلات غير التقليدية، يتم اختيار آلات التفريغ الكهربائي (EDM) لإجراء البحث نظرًا لقدرتها الواسعة على قطع المواد. لكن معدل تآكل القطب العالي (EWR) وعدم دقة الأبعاد العالية أو القطع الزائد (OC) لـ EDM يحد من استخدامه. وبالتالي، تتم إضافة مسحوق النانو إلى وسط العزل الكهربائي لمعالجة المشكلات المذكورة أعلاه. عملية EDM المختلطة بالبارود النانوي (NPMEDM) هي عملية معقدة من حيث القدرة على التنبؤ بالأداء للمواد المختلفة. وبالمثل، فإن التفاعلات بين معلمات العملية مثل تيار الذروة ( I p )، وجهد الشرارة ( S v )، والنبض في الوقت المحدد ( P on ) وتركيز المسحوق ( C p ) في العازل الكهربائي تعزز الحساسية البارامترية. بالإضافة إلى ذلك، فإن المعالجة بالتبريد (CT) للأقطاب الكهربائية تجعل العملية معقدة مما يحد من مناهج المحاكاة التقليدية لنمذجة العلاقات المتبادلة. يتطلب النهج البديل الاستكشاف التجريبي والتحقيق المنهجي لنمذجة EWR والمشاكل المفرطة في EDM. وبالتالي، يتم استخدام الشبكات العصبية الاصطناعية (ANNs) للنمذجة التنبؤية للعملية التي تتكامل مع الخوارزمية الجينية متعددة الأهداف (MOGA) للتحسين البارامترية. يستخدم النهج البيانات التجريبية بناءً على تصميم منهجية سطح الاستجابة (RSM) للتجارب. علاوة على ذلك، تتم مناقشة فيزياء العملية بدقة مع تحليل التأثير البارامترية المدعوم بأدلة على الصور المجهرية والمسح المجهري الإلكتروني (SEM) والصور الطبوغرافية السطحية ثلاثية الأبعاد. استنادًا إلى نتائج التحسين متعددة الأبعاد، أظهر القطب النحاسي NT تحسنًا بنسبة 65.02 ٪ في EWR و 59.73 ٪ في OC باستخدام الماء منزوع الأيونات. ومع ذلك، أظهر القطب النحاسي المقطعي انخفاضًا بنسبة 78.41 ٪ في EWR و 67.79 ٪ دقة أبعاد محسنة في الماء منزوع الأيونات. بالإضافة إلى ذلك، أعطى القطب النحاسي المقطعي 27.69 ٪ أقل من EWR و 81.40 ٪ تحسن OC في الماء المقطر مقارنة بزيت الكيروسين.

Translated Description (French)

Résumé L'aluminium 6061 (Al6061) est un matériau largement utilisé pour diverses applications industrielles en raison de sa faible densité et de sa haute résistance. Néanmoins, les opérations d'usinage conventionnelles ne sont pas le meilleur choix pour les besoins de l'usinage. Par conséquent, parmi toutes les opérations d'usinage non conventionnelles, l'usinage par décharge électrique (EDM) est choisi pour effectuer la recherche en raison de sa grande capacité à couper les matériaux. Mais le taux d'usure élevé des électrodes (EWR) et l'imprécision ou la surcoupe dimensionnelle élevée (OC) de l'EDM limitent son utilisation. Par conséquent, une nanopoudre est ajoutée au milieu diélectrique pour résoudre les problèmes susmentionnés. Le processus EDM mixte en nanopoudre (NPMEDM) est un processus complexe en termes de prévisibilité des performances pour différents matériaux. De même, les interactions entre les paramètres du processus tels que le courant de crête ( I p ), la tension d'étincelle ( S v ), le temps d'impulsion ( P on ) et la concentration de poudre ( C p ) dans le diélectrique améliorent la sensibilité paramétrique. En outre, le traitement cryogénique (CT) des électrodes rend le processus complexe, limitant les approches de simulation conventionnelles pour la modélisation des interrelations. Une approche alternative nécessite une exploration expérimentale et une investigation systématique pour modéliser les problèmes d'EWR et de surcharge de l'EDM. Ainsi, les réseaux de neurones artificiels (RNA) sont utilisés pour la modélisation prédictive du processus qui sont intégrés à l'algorithme génétique multi-objectif (MOGA) pour l'optimisation paramétrique. L'approche utilise des données expérimentales basées sur la conception d'expériences de la méthodologie de la surface de réponse (RSM). De plus, la physique des processus est discutée en profondeur avec l'analyse des effets paramétriques étayée par des preuves d'images microscopiques, la microscopie électronique à balayage (MEB) et des images topographiques de surface 3D. Sur la base des résultats d'optimisation multidimensionnelle, l'électrode en laiton NT a montré une amélioration de 65,02% en EWR et de 59,73% en OC en utilisant de l'eau désionisée. Cependant, l'électrode en laiton CT a montré une réduction de 78,41 % du EWR et une précision dimensionnelle améliorée de 67,79 % dans l'eau désionisée. En plus de cela, l'électrode en laiton CT a donné 27,69 % de EWR en moins et 81,40 % de CO amélioré dans l'eau désionisée par rapport à l'huile de kérosène.

Translated Description (Spanish)

Resumen El aluminio 6061 (Al6061) es un material ampliamente utilizado para diversas aplicaciones industriales debido a su baja densidad y alta resistencia. Sin embargo, las operaciones de mecanizado convencionales no son la mejor opción para los fines de mecanizado. Por lo tanto, entre todas las operaciones de mecanizado no convencional, se opta por el mecanizado por electroerosión (EDM) para llevar a cabo la investigación debido a su amplia capacidad de corte de los materiales. Pero la alta tasa de desgaste del electrodo (EWR) y la alta inexactitud dimensional o sobrecorte (OC) del EDM limitan su uso. En consecuencia, se añade nanopolvo al medio dieléctrico para abordar los problemas mencionados anteriormente. El proceso de EDM mixto de nanopolvo (NPMEDM) es un proceso complejo en términos de previsibilidad del rendimiento para diferentes materiales. De manera similar, las interacciones entre los parámetros del proceso, como la corriente máxima ( I p ), el voltaje de la chispa ( S v ), el tiempo de encendido ( P on ) y la concentración de polvo ( C p ) en el dieléctrico, mejoran la sensibilidad paramétrica. Además, el tratamiento criogénico (TC) de los electrodos hace que el proceso sea complejo, lo que limita los enfoques de simulación convencionales para modelar las interrelaciones. Un enfoque alternativo requiere exploración experimental e investigación sistemática para modelar EWR y problemas de sobrecorte de EDM. Por lo tanto, las redes neuronales artificiales (RNA) se utilizan para el modelado predictivo del proceso que se integran con el algoritmo genético multiobjetivo (moga) para la optimización paramétrica. El enfoque utiliza datos experimentales basados en el diseño de experimentos de metodología de superficie de respuesta (RSM). Además, la física del proceso se discute a fondo con análisis de efectos paramétricos respaldados con evidencia de imágenes microscópicas, microscopía electrónica de barrido (SEM) e imágenes topográficas de superficie en 3D. Con base en los resultados de optimización multidimensional, el electrodo de latón NT mostró una mejora del 65.02% en EWR y del 59.73% en OC utilizando agua desionizada. Sin embargo, el electrodo de latón CT mostró una reducción del 78.41% en EWR y una precisión dimensional mejorada del 67.79% en agua desionizada. Además de eso, el electrodo de latón CT dio un 27.69% menos de EWR y un 81.40% de OC mejorado en agua desionizada en comparación con el aceite de queroseno.

Files

s00170-024-13023-x.pdf.pdf

Files (5.2 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:99404fa87c92467b25fed37110aca217
5.2 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التعلم الآلي لتحسين الأداء متعدد الأبعاد والنمذجة التنبؤية لتصنيع التفريغ الكهربائي المختلط بالبارود النانوي (EDM)
Translated title (French)
Apprentissage automatique pour l'optimisation des performances multidimensionnelles et la modélisation prédictive de l'usinage par décharge électrique (EDM) à mélange de nanopoudres
Translated title (Spanish)
Aprendizaje automático para la optimización del rendimiento multidimensional y el modelado predictivo del mecanizado por descarga eléctrica (EDM) mezclado con nanopolvos

Identifiers

Other
https://openalex.org/W4391226403
DOI
10.1007/s00170-024-13023-x

Is supplement to
https://openalex.org/W3112885359 (Other)
https://openalex.org/W3015859229 (Other)
https://openalex.org/W2947294510 (Other)
https://openalex.org/W2803477885 (Other)
https://openalex.org/W2161732477 (Other)
https://openalex.org/W2155691174 (Other)
https://openalex.org/W2146543028 (Other)
https://openalex.org/W2024755091 (Other)
https://openalex.org/W2004173252 (Other)
https://openalex.org/W1969262486 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Pakistan

References

  • https://openalex.org/W1999826708
  • https://openalex.org/W2000940067
  • https://openalex.org/W2002774334
  • https://openalex.org/W2026649183
  • https://openalex.org/W2049711216
  • https://openalex.org/W2069808908
  • https://openalex.org/W2091158222
  • https://openalex.org/W2114966348
  • https://openalex.org/W2152032057
  • https://openalex.org/W2236623899
  • https://openalex.org/W2329885922
  • https://openalex.org/W2330175327
  • https://openalex.org/W2475338646
  • https://openalex.org/W2607782340
  • https://openalex.org/W2658167954
  • https://openalex.org/W2752047249
  • https://openalex.org/W2797986503
  • https://openalex.org/W2884027678
  • https://openalex.org/W2894931079
  • https://openalex.org/W2895178111
  • https://openalex.org/W2920881923
  • https://openalex.org/W2941948635
  • https://openalex.org/W2945898144
  • https://openalex.org/W2997846278
  • https://openalex.org/W3004752874
  • https://openalex.org/W3017358348
  • https://openalex.org/W3035175322
  • https://openalex.org/W3039079518
  • https://openalex.org/W3042912540
  • https://openalex.org/W3045136546
  • https://openalex.org/W3046003038
  • https://openalex.org/W3087010118
  • https://openalex.org/W3093765315
  • https://openalex.org/W3094625494
  • https://openalex.org/W3120208141
  • https://openalex.org/W3147369050
  • https://openalex.org/W3157097347
  • https://openalex.org/W3157771901
  • https://openalex.org/W3161336468
  • https://openalex.org/W3194890203
  • https://openalex.org/W3197462433
  • https://openalex.org/W3198543610
  • https://openalex.org/W3208031636
  • https://openalex.org/W4213322589
  • https://openalex.org/W4214926984
  • https://openalex.org/W4220655224
  • https://openalex.org/W4292451986
  • https://openalex.org/W4292554261
  • https://openalex.org/W4297377181
  • https://openalex.org/W4317537956
  • https://openalex.org/W4324356290
  • https://openalex.org/W4327989180
  • https://openalex.org/W4362519846
  • https://openalex.org/W4385202452
  • https://openalex.org/W4388948844