ОБРАБОТКА МЕТАЛЛОВ

Введение. Гибридные металломатричные композиты (HMMCs) находят все более широкое применение в авиационной и автомобильной промышленности благодаря их низкой плотности, высокой жесткости и исключительной удельной прочности. В частности, алюминиевые HMMCs, особенно на основе сплава Al7075, получают все большее признание. Непрерывные исследования и разработки в этой области направлены на поиск способов повышения долговечности и производительности этих передовых материалов. Цель работы. Обрабатываемость сплава Al7075 является серьезной проблемой из-за его абразивной армирующей фазы, которая вызывает быстрое изнашивание инструмента, увеличение сил резания и ухудшение качества обработанной поверхности. Кроме того, ориентация промышленности на экологически чистое производство привела к переходу от традиционной обработки с применением СОЖ к устойчивым альтернативам. Исходя из этого, исследователи оптимизируют производительность обработки, используя передовые технологические достижения и методы. Однако имеется ограниченное количество работ, посвященных моделированию производительности обработки нанокомпозитов на основе алюминиевого сплава Al7075 при токарной обработке в условиях охлаждения сжатым воздухом. Методы исследования. Разработка комплексной модели позволит производителям лучше понимать, как повысить эффективность процессов токарной обработки нанокомпозитов на основе сплава Al7075. С этой целью в данной работе проводится моделирование производительности обработки гибридных нанокомпозитов на основе алюминиевого сплава Al7075 при точении в условиях охлаждения сжатым воздухом с использованием адаптивной сети на основе системы нечеткого вывода (ANFIS) для прогнозирования износа инструмента (TW), шероховатости поверхности (Ra) и силы резания (F_c) в зависимости от параметров процесса. Результаты и обсуждение. Разработана ANFIS-модель для прогнозирования производительности обработки с учетом влияния параметров процесса, таких как скорость резания, подача и глубина резания, для различных нанокомпозитов на основе алюминиевого сплава Al7075, которые были изготовлены методом механического замешивания частиц в расплав с использованием наночастиц карбида кремния (30…50 нм) и графена (5…10 нм) в качестве армирующих элементов. Армирующие материалы влияют на механические и физические свойства композитов. Для инженерных приложений SiC и графен являются предпочтительными армирующими элементами, обладающими отличительными характеристиками. ANFIS-модели были разработаны для прогнозирования Ra, F_c и TW на основе экспериментальных результатов. Метод Сугено был выбран для представления нечетких правил и функций принадлежности, поскольку он использует взвешенные средние значения в процессе дефаззификации и обеспечивает лучшую эффективность обработки. Инструментарий MATLAB ANFIS применялся для разработки и настройки нечетких систем вывода. Разработанная ANFIS-модель эффективно прогнозирует характеристики обработки, предлагая практический подход к оптимизации параметров процесса с высокой надежностью. Исследование продемонстрировало хорошее соответствие между экспериментальными результатами и прогнозируемыми ANFIS-результатами, при этом средняя ошибка прогнозирования составила менее 8 %. В частности, ANFIS-модель дала ошибки в 5,1 % для Ra, 13,45 % для F_c и 7,92 % для TW. Модель продемонстрировала отличное соответствие экспериментальным данным, демонстрируя высокую точность прогнозирования и возможность обобщения. Для лучшего понимания влияния параметров процесса на F_c, Ra и TW для различных нанокомпозитов построены 3D-графики. Полученные результаты подтверждают эффективность охлаждения сжатым воздухом для улучшения обрабатываемости при минимизации воздействия на окружающую среду. Кроме того, разработанная ANFIS-модель служит надежным инструментом для оптимизации параметров токарной обработки композитов на основе алюминиевого сплава Al7075, поддерживая развитие стратегий экологически чистого производства.

1. Boron nitride nanotubes induced strengthening in aluminium 7075 composite via cryomilling and spark plasma sintering / S.M.A.K. Mohammed, A. Nisar, D. John, A.K. Sukumaran, Y. Fu, T. Paul, A.F. Hernandez, S. Seal, A. Agarwal // Advanced Composites and Hybrid Materials. – 2025. – Vol. 8 (1). – Art. 155. – DOI: 10.1007/s42114-024-01173-1.

2. Devitte C., Souza A.J., Amorim H.J. Impact of cooled compressed air and high-speed cutting on the drilling of hybrid composite-metal stacks // The International Journal of Advanced Manufacturing Technology. – 2023. – Vol. 125 (11). – P. 5445–5461. – DOI: 10.1007/s00170-023-11083-z.

3. Kulkarni P., Chinchanikar S. Machinability of Inconel 718 using unitary and hybrid nanofluids under minimum quantity lubrication // Advances in Materials and Processing Technologies. – 2025. – Vol. 11 (1). – P. 421–449. – DOI: 10.1080/2374068X.2024.2307103.

4. Bagheri A., Abedini V., Hajialimohamadi A. Impact of machining parameters on surface roughness and machining forces in Al7075 turning with minimum quantity lubrication and cold fluid // Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering. – 2025. – – DOI: 10.1177/09544089241308052.

5. Kulkarni P., Chinchanikar S. Modelling turning performance of Inconel 718 with hybrid nanofluid under MQL using ANN and ANFIS // Fracture and Structural Integrity. – 2024. – Vol. 18 (70). – P. 71–90. – DOI: 10.3221/IGF-ESIS.70.04.

6. Prabhu S., Vinayagam B.K. Adaptive neuro fuzzy inference system modelling of multi-objective optimisation of electrical discharge machining process using single-wall carbon nanotubes // Australian Journal of Mechanical Engineering. – 2015. – Vol. 13 (2). – P. 97–117. – DOI: 10.7158/M13-074.2015.13.2.

7. Sharma D., Bhowmick A., Goyal A. Enhancing EDM performance characteristics of Inconel 625 superalloy using response surface methodology and ANFIS integrated approach // CIRP Journal of Manufacturing Science and Technology. – 2022. – Vol. 37. – P. 155–173. – DOI: 10.1016/j.cirpj.2022.01.005.

8. Hewidy M., Salem O. Integrating experimental modelling techniques with the Pareto search algorithm for multiobjective optimization in the WEDM of Inconel 718 // The International Journal of Advanced Manufacturing Technology. – 2023. – Vol. 129 (1–2). – P. 299–319. – DOI: 10.1007/s00170-023-12200-8.

9. GEP-and ANN-based tool wear monitoring: a virtually sensing predictive platform for MQL-assisted milling of Inconel 690 / B. Sen, M. Mia, U.K. Mandal, S.P. Mondal // The International Journal of Advanced Manufacturing Technology. – 2019. – Vol. 105. – P. 395–410. – DOI: 10.1007/s00170-019-04187-y.

10. Kumar A., Pradhan M.K. An ANFIS modelling and genetic algorithm-based optimization of through-hole electrical discharge drilling of Inconel-825 alloy // Journal of Materials Research. – 2023. – Vol. 38 (2). – P. 312–327. – DOI: 10.1557/s43578-022-00728-6.

11. Premnath A.A., Alwarsamy T., Sugapriya K. A comparative analysis of tool wear prediction using response surface methodology and artificial neural networks // Australian Journal of Mechanical Engineering. – 2014. – Vol. 12 (1). – P. 38–48. – DOI: 10.7158/M12-075.2014.12.1.

12. Babu K.N., Karthikeyan R., Punitha A. An integrated ANN–PSO approach to optimize the material removal rate and surface roughness of wire cut EDM on INCONEL 750 // Materials Today: Proceedings. – 2019. – Vol. 19. – P. 501–505. – DOI: 10.1016/j.matpr.2019.07.643.

13. Optimising subsurface integrity and surface quality in mild steel turning: A multi-objective approach to tool wear and machining parameters / M. Imran, S. Shuangfu, B. Yuzhu, W. Yuming, N. Raheel // Journal of Materials Research and Technology. – 2025. – Vol. 35. – P. 3440–3462. – DOI: 10.1016/j.jmrt.2025.01.246.

14. Optimization of cutting parameters for cutting force in shoulder milling of Al7075-T6 using response surface methodology and genetic algorithm / M. Subramanian, M. Sakthivel, K. Sooryaprakash, R. Sudhakaran // Procedia Engineering. – 2013. – Vol. 64. – P. 690–700. – DOI: 10.1016/j.proeng.2013.09.144.

15. A study on the Al₂O₃ reinforced Al7075 metal matrix composites wear behavior using artificial neural networks / R. Pramod, G.V. Kumar, P.S. Gouda, A.T. Mathew // Materials Today: Proceedings. – 2018. – Vol. 5 (5). – P. 11376–11385. – DOI: 10.1016/j.matpr.2018.02.105.

16. Kulkarni P., Chinchanikar S. Cutting force modeling during turning Inconel 718 using unitary Al₂O₃ and hybrid MWCNT + Al₂O₃ nanofluids under minimum quantity lubrication // International Journal on Interactive Design and Manufacturing (IJIDeM). – 2025. – Vol. 19 (7). – P. 5185–5202. – DOI: 10.1007/s12008-024-02120-6.

17. Chinchanikar S., Kulkarni P. Machining effects and multi-objective optimization in Inconel 718 turning with unitary and hybrid nanofluids under MQL // Fracture and Structural Integrity. – 2024. – Vol. 18 (68). – P. 222–241. – DOI: 10.3221/IGF-ESIS.68.15.

18. Zare Chavoshi S. Tool flank wear prediction in CNC turning of 7075 AL alloy SiC composite // Production Engineering. – 2011. – Vol. 5 (1). – P. 37–47. – DOI: 10.1007/s11740-010-0282-x.

19. Surface roughness accuracy prediction in turning of Al7075 by adaptive neuro-fuzzy inference system / B. Veluchamy, N. Karthikeyan, B.R. Krishnan, C.M. Sundaram // Materials Today: Proceedings. – 2021. – Vol. 37. – P. 1356–1358. – DOI: 10.1016/j.matpr.2020.06.560.

20. The prediction of surface roughness and tool vibration by using metaheuristic-based ANFIS during dry turning of Al alloy (AA6013) / M.A. Guvenc, H.H. Bilgic, M. Cakir, S. Mistikoglu // Journal of the Brazilian Society of Mechanical Sciences and Engineering. – 2022. – Vol. 44 (10). – P. 474. – DOI: 10.1007/s40430-022-03798-z.

21. Experimental investigation of turning Al 7075 using Al₂O₃ nano-cutting fluid: ANOVA and TOPSIS approach / H. Ramakrishnan, R. Balasundaram, P. Selvaganapathy, M. Santhakumari, P. Sivasankaran, P. Vignesh // SN Applied Sciences. – 2019. – Vol. 1 (12). – P. 1639. – DOI: 10.1007/s42452-019-1664-0.