Data driven surrogate model-based optimization of the process parameters in electric discharge machining of D2 steel using Cu-SiC composite tool for the machined surface roughness and the tool wear

• Somani, Nalin ^[1] ; Singh Walia, Arminder ^[2] ; Kumar Gupta, Nitin ^[1] ; Prakash Panda, Jyoti ^[1] ; Das, Anshuman ^[1] ; Ranjan Das, Sudhansu ^[3]
  1. [1] Department of Mechanical Engineering, DIT University
  2. [2] Thapar Polytechnic College
  3. [3] Department of Production Engineering, VSSUT Burla

  Mostrar afiliaciones +
• Localización: Revista de metalurgia, ISSN 0034-8570, Vol. 59, Nº 2, 2023 (Ejemplar dedicado a: Online first; e241)
• Idioma: inglés
• Títulos paralelos:
  • Optimización de los parámetros de proceso en el mecanizado por electroerosión del acero D2 utilizando una herramienta compuesta de Cu-SiC basada en un modelo sustitutivo basado en datos para la rugosidad superficial y el desgaste de la herramienta ...
• Enlaces
  • Texto completo
• Resumen
  • español

    El mecanizado por electroerosión (EDM, del inglés electrical discharge machining) se utiliza principalmente para la fabricación de matrices y también para el mecanizado de materiales duros. Materiales como el cobre puro, las aleaciones de cobre, el latón, el grafito y el acero son utilizados de manera convencional como electrodos en el proceso de electroerosión. Durante el mecanizado con estos electrodos convencionales, el desgaste de la herramienta se convierte en el principal cuello de botella que conduce a un mayor coste de mecanizado. En el presente trabajo, la punta de la herramienta compuesta por un 80% de cobre y un 20% de carburo de silicio se utilizó para el mecanizado de acero D2 endurecido. Para fabricar la punta de la herramienta de material compuesto se utilizó la vía de la pulvimetalurgia. La tasa de desgaste del electrodo y la rugosidad de la superficie se evaluaron con respecto a los diferentes parámetros del proceso como la corriente de entrada, el voltaje de separación, el tiempo de pulso encendido, el tiempo de pulso apagado y la presión de lavado dieléctrico. Durante el análisis se encontró que la corriente de entrada (I p ), el tiempo de pulso (T on ) y el tiempo de pulso (T off ) eran los parámetros significativos que afectaban al índice de desgaste de la herramienta mientras que el I p , T on y la presión de lavado afectaban más a la rugosidad de la superficie. La caracterización con microscopía electrónica de barrido revela que el aumento de I p conduce a un aumento en la tasa de desgaste de la herramienta. Los datos obtenidos en los experimentos se utilizaron para desarrollar modelos sustitutivos basados en el aprendizaje automático. Los tres modelos de aprendizaje automático son el bosque aleatorio, la regresión polinómica y el árbol de gradiente reforzado. La capacidad predictiva de los modelos sustitutos basados en aprendizaje automático se evaluó contrastando el R2 y el error cuadrático medio (ECM) de predicción de las respuestas. El mejor modelo sustitutivo se utilizó para desarrollar una función objetivo compleja para su uso en la optimización basada en el algoritmo de la luciérnaga de los parámetros de mecanizado de entrada para la minimización de las respuestas de salida.

  • English

    Electrical discharge machining (EDM) is mainly utilized for the die manufacturing and also used to machine the hard materials. Pure Copper, Copper based alloys, brass, graphite, steel are the conventional electrode materials for EDM process. While machining with the conventional electrode materials, tool wear becomes the main bottleneck which led to increased machining cost. In the present work, the composite tool tip comprises 80% Copper and 20% silicon carbide was used for the machining of hardened D2 steel. The powder metallurgy route was used to fabricate the composite tool tip. Electrode wear rate and surface roughness were assessed with respect to the different process parameters like input current, gap voltage, pulse on time, pulse off time and dielectric flushing pressure. During the analysis it was found that Input current (I p ), Pulse on time (T on ) and Pulse off time (T off ) were the significant parameters which were affecting the tool wear rate (TWR) while the I p , T on and flushing pressure affected more the surface roughness (SR). SEM micrograph reveals that increase in I p leads to increase in the wear rate of the tool. The data obtained from experiments were used to develop machine learning based surrogate models. Three machine learning (ML) models are random forest, polynomial regression and gradient boosted tree. The predictive capability of ML based surrogate models was assessed by contrasting the R 2 and mean square error (MSE) of prediction of responses. The best surrogate model was used to develop a complex objective function for use in firefly algorithm-based optimization of input machining parameters for minimization of the output responses.