ОБРАБОТКА МЕТАЛЛОВ

Введение. В последнее десятилетие композиционные материалы на основе политетрафторэтилена (ПТФЭ) все чаще используются в качестве альтернативных материалов в автомобилестроении. ПТФЭ характеризуется низким коэффициентом трения, более высокой твердостью и коррозионной стойкостью. Однако этот материал имеет высокую скорость износа. Группа исследователей попыталась повысить износостойкость ПТФЭ, армировав его различными наполнителями. Цель работы. В данной работе экспериментально исследованы характеристики износа при сухом скольжении композиционного материала на основе ПТФЭ, армированного углеродным волокном (35 мас.%), в паре трения с нержавеющей сталью SS304. Кроме того, с помощью искусственных нейронных сетей (ИНС) разработаны экспериментальные математические модели и модели для прогнозирования удельной скорости изнашивания с учетом влияния давления, скорости скольжения и температуры поверхности. Методы исследования. Эксперименты по сухому скольжению проводились на машине для испытания на износ типа «стержень-диск» с изменением нормальной нагрузки на штифт, скорости вращения диска и температуры поверхности. Эксперименты по исследованию влияния входных параметров на удельную скорость изнашивания в широком диапазоне проектных пространств планировались системно. Всего было проведено пятнадцать экспериментов на 5-километровой дистанции без повторения эксперимента с центральным бегом. Скорости скольжения получали подбором диаметра дорожки на диске и соответствующей скорости вращения диска. Для ИНС-модели был использован алгоритм машинного обучения с обратным распространением с прямой связью. Результаты и обсуждение. Это исследование показало лучшую точность прогнозирования благодаря архитектуре ИНС, имеющей два скрытых слоя со 150 нейронами на каждом. Исследование выявило увеличение удельной скорости изнашивания при нормальной нагрузке, скорости скольжения и температуре поверхности. Однако это увеличение более заметно при более высоких параметрах процесса. Нормальная нагрузка и скорость скольжения наиболее существенно влияет на удельную скорость изнашивания. Значения удельной скорости изнашивания, полученные в результате расчета по разработанным моделям, хорошо согласуются с экспериментальными значениями со средней погрешностью, близкой к 10 %. Это показывает, что модель может быть использована для получения скорости износа композита на основе ПТФЭ, армированного углеродным волокном (35 мас.%), в паре трения с нержавеющей сталью SS304. Проведенное исследование имеет задел для дальнейших исследований, рассматривающих влияние различных архитектур ИНС, различного количества нейронов и скрытых слоев на точность прогнозирования скорости износа.

1. Dry sliding wear characteristics of carbon filled polytetrafluoroethylene (PTFE) composite against Aluminium 6061 alloy / A. Sonawane, A. Deshpande, S. Chinchanikar, Y. Munde // Materials Today: Proceedings. – 2021. – Vol. 44. – P. 3888–3893. – DOI: 10.1016/j.matpr.2020.12.929.

2. Chinchanikar S., Barade A., Deshpande A. Sliding wear characteristics of carbon filled polytetrafluoroethylene (PTFE) сomposite against AISI 304 stainless steel counterface // Materials Science Forum. – 2021. – Vol. 1034. – P. 51–60. – DOI: 10.4028/www.scientific.net/MSF.1034.51.

3. Sliding friction and wear behavior of PTFE and its composite under dry sliding conditions / H. Unal, A. Mimarolu, U. Kadioglu, H. Ekiz // Materials and Design. – 2004. – Vol. 25. – P. 239–245. – DOI: 10.1016/j.matdes.2003.10.009.

4. Sahin Y. Analysis of abrasive wear behavior of PTFE composite using Taughi's technique // Cogent Engineering. – 2015. – Vol. 2, N 1. – P. 1–15. – DOI: 10.1080/23311916.2014.1000510.

5. Venkateswarlu G., Sharada R., Rao M.B. Effect of fillers on mechanical properties of PTFE based composites // Archives of Applied Science Research. – 2015. – Vol. 7, N 7. – P. 48–58.

6. Wang Q., Zhang X., Pei X. Study on the synergistic effect of carbon fiber and graphite and nanoparticle on the friction and wear behavior of polyimide composites // Materials and Design. – 2010. – Vol. 31, N 8. – P. 3761–3768. – DOI: 10.1016/j.matdes.2010.03.017.

7. Song F., Wang Q., Wang T. Effect of glass fiber and MoS₂ on tribological behaviour and PV limit of chopped carbon fiber reinforced PTFE composite // Tribology International. – 2016. – Vol. 104. – P. 392–401. – DOI: 10.1016/j.triboint.2016.01.015.

8. Gujrathi S.M., Dhamande L.S., Patare P.M. Wear studies on polytetrafluroethylene (PTFE) composites: Taguchi approach // Bonfring International Journal of Industrial Engineering and Management Science. – 2013. – Vol. 3, N 2. – P. 47–51. – DOI: 10.9756/BIJIEMS.4406.

9. Wear and friction performance of PTFE filled epoxy composites with a high concentration of SiO₂ particles / J.T. Shen, M. Top, Y.T. Pei, M. Hosson // Wear. – 2015. – Vol. 322–323, N 15. – P. 171–180. – DOI: 10.1016/j.wear.2014.11.015.

10. Abrasive wear behavior of PTFE for seal applications under abrasive-atmosphere sliding condition / M. Shen, B. Li, Z. Zhang, L. Zhao // Friction. – 2020. – Vol. 8. – P. 755–767. – DOI: 10.1007/s40544-019-0301-7.

11. A study on the friction and wear behavior of PTFE filled with alumina nanoparticles / W.G. Sawyer, K.D. Freudenberg, P. Bhimaraj, L.S. Schadler // Wear. – 2003. – Vol. 254. – P. 573–580. – DOI: 10.1016/S0043-1648(03)00252-7.

12. Kim D.W., Kim K.W. Effects of sliding velocity and normal load on friction and wear characteristics of multi-layered diamond-like carbon (DLC) coating prepared by reactive sputtering // Wear. – 20013. – Vol. 297, N  1–2. – P. 722–730. – DOI: 10.1016/j.wear.2012.10.009.

13. Wang M., Zhang C., Wang X. The wear behavior of textured steel sliding against polymers // Materials. – 2017. – Vol. 10, N 330. – P. 1–14. – DOI: 10.3390/ma10040330.

14. Desale D.D., Pawar H.B. Performance analysis of Polytetrafluoroethylene as journal bearing material // Procedia Manufacturing. – 2018. – Vol. 20. – P. 414–419. – DOI: 10.1016/j.promfg.2018.02.060.

15. Specific wear rate modeling of polytetraflouroethylene composites via artificial neural network (ANN) and adaptive neuro fuzzy inference system (ANFIS) tools / M.A. Ibrahim, Y. Sahin, A. Ibrahim, A.Y. Gidado, M.N. Yahya // Virtual Assistant. – IntechOpen, 2021. – DOI: 10.5772/intechopen.95242.

16. Paturi U.M., Cheruku S., Reddy N.S. The role of artificial neural networks in prediction of mechanical and tribological properties of composites – A comprehensive review // Archives of Computational Methods in Engineering. – 2022. – Vol. 29. – P. 1–41. – DOI: 10.1007/s11831-021-09691-7.

17 Artificial neural network algorithms for 3D printing / M.A. Mahmood, A.I. Visan, C. Ristoscu, I.N. Mihailescu // Materials. – 2020. – Vol. 14, N . – P. 163. – DOI: 10.3390/ma14010163.

18. Naderpour H., Kheyroddin A., Amiri G.G. Prediction of FRP-confined compressive strength of concrete using artificial neural networks // Composite Structures. – 2010. – Vol. 92, N 12. – P. 2817–2829. – DOI: 10.1016/j.compstruct.2010.04.008.