Анализ влияния размера зерна титана Ti-6Al-4V на шероховатость поверхности при различных параметрах резания с использованием методов искусственного интеллекта

Авторы

V.F. Makarov ¹ , M.V. Pesin ¹ , V.Yu. Stolbov ¹ , A.V. Khabarova ¹ , A.V. Polyakov ² , I.P. Semenova ²

¹ Пермский национальный исследовательский политехнический университет, Комсомольский проспект, 29, Пермь, 614990, Российская Федерация

² Уфимский университет науки и технологий, ул. Заки Валиди, 32, Уфа, 450076 Республика Башкортостан, Российская Федерация

10.17586/2687-0568-2024-6-4-171-177

Rev. Adv. Mater. Technol., 2024, vol. 6, no. 4, pp. 171–177

Аннотация

В статье представлены результаты исследования влияния режимов резания сплава Ti-6Al-4V с различным размером зерна, в том числе в ультрамелкозернистом состоянии, полученном методом интенсивной пластической деформации, на шероховатость обработанной поверхности с использованием нейросетевой модели. Разработана нейросетевая модель, прогнозирующая шероховатость поверхности титанового сплава при резании в зависимости от размера зерна и режимов обработки (скорость, подача на оборот и глубина резания). Для формирования набора данных достаточной мощности для обучения нейронных сетей использован метод аугментации данных, для чего построена вспомогательная регрессионная модель. Для выбора наиболее рациональной архитектуры сети использован случайный поиск в пространстве гиперпараметров. Тестирование разработанной нейросетевой модели на фактических данных показало погрешность, не превышающую 8,7% по данным средней абсолютной процентной погрешности.

Ключевые слова

титановый сплав; режимы резания; шероховатость; нейронная сеть; глубокое обучение

Финансирование

Russian Science Foundation project: 23-43-00041

Ссылки

1.    D.T. Bran, C.F. Elefterie, B. Ghiban, Aeronautical Industry Requirements for Titanium Alloys, IOP Conf. Ser.: Mater. Sci. Eng., 2017, vol. 209, art. no. 012059.
2.    S.A. Niknam, R. Khettabi, V. Songmene, Erratum to: Machinability and Machining of Titanium Alloys: A Review, in: J.P. Davim (Ed.), Machining of Titanium Alloys, Springer, Berlin, Heidelberg, 2014, pp. E1.
3.    S. Sun, M. Brandt, M.S. Dargusch, Thermally enhanced machining of hard-to-machine materials-A review, Int. J. Mach. Tools Manuf., 2010, vol. 50, no. 8, pp. 663-680.
4.    M. Rahman, Z.-G. Wang, Y.-S. Wong, A Review on High-Speed Machining of Titanium Alloys, JSME Int. J. Ser. C, 2006, vol. 49, no. 1, pp. 11-20.
5.    S.V. Telrandhe, A.K. Saxena, S. Mishra, Effect of microstructure and cutting speed on machining behavior of Ti6Al4V alloy, J. Mech. Sci. Technol., 2017, vol. 31, pp. 2177-2184.
6.    D. Suárez Fernández, B.P. Wynne, P. Crawforth, M. Jackson, Titanium alloy microstructure fingerprint plots from in-process machining, Mater. Sci. Eng. A, 2021, vol. 811, art. no. 141074.
7.    P.-J. Arrazola, A. Garay, L.-M. Iriarte, M. Armendia, S. Marya, F. Le Maître, Machinability of titanium alloys (Ti6Al4V and Ti555.3), J. Mater. Process. Technol., 2009, vol. 209, no. 5, pp. 2223-2230.
8.    R.Z. Valiev, A.P. Zhilyaev, T.G. Langdon, Bulk Nano-structured Materials: Fundamentals and Applications, 1st ed., Wiley, 2013.
9.    R.Z. Valiev, Y. Estrin, Z. Horita, T.G. Langdon, M.J. Zehetbauer, Y. Zhu, Producing Bulk Ultrafine-Grained Materials by Severe Plastic Deformation: Ten Years Later, JOM, 2016, vol. 68, pp. 1216-1226.
10.    I.P. Semenova, V.V. Polyakova, G.S. Dyakonov, A.V. Polyakov, Ultrafine-Grained Titanium-Based Alloys: Structure and Service Properties for Engineering Applications, Adv. Eng. Mater., 2020, vol. 22, no. 1, art. no. 1900651.
11.    G. Jiang, H. Yang, G. Xiao, Z. Zhao, Y. Wu, Titanium alloys surface integrity of belt grinding considering different machining trajectory direction, Front. Ma-ter., 2022, vol. 9, art. no. 1052523.
12.    J. Guo, Y.Y. Shi, Z. Chen, T. Yu, P. Zhao, B. Shirinzadeh, Optimal parameter selection in robotic belt polishing for aeroengine blade based on GRARSM method, Symmetry, 2019, vol. 11, no. 12, art. no. 1526.
13.    Z. Tao, S. Yaoyao, S. Laakso, J.M. Zhou, Investigation of the effect of grinding parameters on surface quality in grinding of TC4 titanium alloy, Procedia Manuf., 2017, vol. 11, pp. 2131-2138.
14.    I. Semenova, A. Polyakov, A. Gareev, V. Makarov, I. Kazakov, M. Pesin, Machinability Features of Ti-6Al-4V Alloy with Ultrafine-Grained Structure, Metals, 2023, vol. 13, no. 10, art. no. 1721.
15.    Cutting Speed Calculator by Sandvik-Coromant, Electronic resource, URL: https://toolguide.sandvik.coromant.com/cdc/calculatorType (accessed: 10.11.2024).
16.    Y. Chen, Y. Li, T. Kong, L. Qi, R. Chu, L. Li, J. Jia, Scale-aware Automatic Augmentation for Object Detection, arXiv:2103.17220, 2021.
17.    Z. Zhong, L. Zheng, G. Kang, S. Li, Y. Yang, Random Erasing Data Augmentation, Proceedings of the AAAI Conference on Artificial Intelligence, 2020, vol. 34, no. 7, pp. 13001-13008.
18.    J. Heaton, Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning, Genet. Program. Evolvable Mach., 2018, vol. 19, pp. 305-307.
19.    F. Chollet, Deep learning with Python, Manning, Shelter Island, NY, 2018.
20.    D.P. Kingma, J. Ba, Adam: A Method for Stochastic Optimization, arXiv:1412.6980, 2014.

Том 6, № 4

Страницы 171-177

Файлы

текст статьи

аннотация

XML файл

История

Поступила в редакцию: 13 Ноября 2024

Принята: 18 Ноября 2024

Доступна онлайн: 30 Декабря 2024

© 2024 ITMO University.
This is an open access article under the terms
of the CC BY-NC 4.0 license.
Metadata is available under the terms of the CC BY 4.0 license