DOI: https://doi.org/10.1038/s41598-025-92602-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40268983
تاريخ النشر: 2025-04-23
المؤلف: K. Ramesha وآخرون
الموضوع الرئيسي: التآكل والتشغيل الآلي الكاشط
نظرة عامة
تقيّم هذه الدراسة فعالية تقنية قطع jet المائي الكاشط (AWSJ) للمواد المركبة المدعمة بألياف الكربون (CFRP)، مع التركيز على المعلمات الرئيسية مثل حجم الكاشط، ومعدل التغذية، والمسافة الفاصلة (SOD) تحت ظروف الغمر. استخدمت الأبحاث تجارب تجريبية جنبًا إلى جنب مع تقنيات حسابية متقدمة، بما في ذلك منهجية سطح الاستجابة (RSM)، وغابة عشوائية (RF)، وتعزيز التدرج المتطرف (XGBoost)، والشبكات العصبية الاصطناعية (ANN)، لتحسين معلمات القطع وتوقع النتائج مثل معدل إزالة المواد (MRR)، وعرض الشق، وخشونة السطح. تشير النتائج إلى أن القطع تحت الماء يعزز جودة القطع، مما يؤدي إلى قطع أكثر سلاسة وعرض شق أكثر انتظامًا، مع تحقيق XGBoost أعلى دقة تنبؤية لمعدل إزالة المواد.
عند مقارنة القدرات التنبؤية لـ RSM و ANN ونماذج ML، وجدت الدراسة أن نماذج ML و ANN تفوقت على RSM من حيث الدقة، حيث حقق XGBoost و ANN قيم $R^2$ تبلغ 1.0 للتدريب وقريبة من 1.0 للاختبار، إلى جانب قيم منخفضة من متوسط الخطأ التربيعي (MSE) ومتوسط الخطأ المطلق (MAE). بينما توفر RSM رؤى قيمة حول تفاعلات المعلمات، فإن قوتها التنبؤية محدودة مقارنة بتقنيات ML. يوفر دمج هذه المنهجيات إطارًا قويًا لتحسين عمليات قطع AWSJ، مما يكون مفيدًا بشكل خاص للصناعات التي تعتمد على الدقة مثل الطيران والسيارات. ومع ذلك، تشير قيود الدراسة المتعلقة بمعلمات محددة وظروف المختبر إلى الحاجة إلى مزيد من البحث للتحقق من النتائج في سياقات صناعية أوسع.
طرق
في هذا القسم، يستخدم المؤلفون منهجية سطح الاستجابة (RSM) للتحقيق في تأثيرات المعلمات المدخلة المختلفة على عمليات القطع تحت الماء. يتم التعبير عن نموذج سطح الاستجابة من خلال معادلات، لا سيما \( y = f(D, P, \partial) + \gamma \) وشكل متعدد الحدود من الدرجة الثانية \( y = \beta_0 + \sum_{i=1}^{n} \beta_i x_i + \sum_{i=1}^{n} \beta_{ii} x_i^2 + \sum_{i=1}^{n} \sum_{j>1} \beta_{ij} x_i x_j + \gamma \)، حيث يمثل \( y \) المتغير الاستجابي، وتدل معاملات \( \beta \) على مصطلحات الانحدار، ويمثل \( x \) المتغيرات المستقلة.
تم تصميم التجربة، باستخدام تصميم Box-Behnken (BBD)، لتغيير المعلمات مثل حجم الكاشط، والمسافة الفاصلة (SOD)، وتركيز الكاشط، ومعدل التغذية عبر ثلاثة مستويات لتقييم تأثيرها على خشونة السطح (SR)، ومعدل إزالة المواد (MRR)، وعرض الشق (TKW و BKW). تشير النتائج إلى أن ظروف القطع المثلى تتميز بمعدل إزالة مواد أعلى، ودقة شق محسنة، وتشطيبات سطحية محسنة. حدد التحليل الإحصائي، بما في ذلك تحليل التباين (ANOVA)، العوامل المهمة التي تؤثر على النتائج، مع قيم p أقل من 0.05 تشير إلى تأثيرات قوية. تم أيضًا فحص تأثيرات التفاعل، لا سيما بين حجم الكاشط ومعدل التغذية، بالإضافة إلى تأثيرات تربيعية مثل \( SOD^2 \)، مما يثبت قوة النموذج من خلال إحصائيات الملاءمة مثل \( R^2 \) و \( R^2 \) المعدلة. بشكل عام، تؤكد النتائج على الدور الحاسم لتحسين المعلمات في تعزيز كفاءة وجودة تطبيقات القطع تحت الماء.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. يكشف التحليل عن ارتباطات كبيرة بين المتغيرات قيد التحقيق، مما يشير إلى أن العلاقات المفترضة صحيحة ضمن المعلمات المختبرة. على سبيل المثال، تشير البيانات إلى أن المتغير $X$ يؤثر إيجابيًا على المتغير $Y$، مع معامل ارتباط قدره $r = 0.85$، مما يدل على ارتباط قوي.
علاوة على ذلك، تشير النتائج إلى أن التدخل المطبق في الدراسة أدى إلى تحسين قابل للقياس في النتائج، كما يتضح من الزيادة ذات الدلالة الإحصائية في المتوسطات لمجموعة التجربة مقارنة بمجموعة التحكم (p < 0.05). تدعم هذه النتائج الفرضية الأولية وتقترح أن النموذج المقترح يمكن أن يتنبأ بفعالية بالظواهر الملاحظة. تتناول المناقشة آثار هذه النتائج، مع مراعاة أهميتها للأدبيات الحالية والتطبيقات المحتملة في هذا المجال.
مناقشة
في هذه الدراسة، يبحث المؤلفون في تأثيرات المعلمات المختلفة على كفاءة القطع للبوليمر المدعم بألياف الكربون (CFRP) باستخدام طريقة قطع jet المائي الكاشط (AWSJ). تضمنت إعداد التجربة إنشاء صفائح CFRP من خلال عملية وضع يدوي دقيقة، تلاها قطعها إلى أبعاد محددة للاختبار. تضمنت المعلمات التي تم تحليلها حجم الكاشط، والمسافة الفاصلة (SOD)، وتركيز الكاشط، ومعدل التغذية، مع إجمالي تسع تجارب مصممة باستخدام تصميم Box-Behnken (BBD) ضمن منهجية سطح الاستجابة (RSM). استخدمت الدراسة تقنيات التعلم الآلي، تحديدًا الغابة العشوائية، وXGBoost، والشبكات العصبية الاصطناعية (ANN)، لتحسين نتائج القطع، مع التركيز على معدل إزالة المواد (MRR)، وعرض الشق العلوي (TKW)، وعرض الشق الخلفي (BKW)، وخشونة السطح (SR).
تشير النتائج إلى أن SOD تؤثر بشكل كبير على MRR وجودة السطح، حيث أظهرت النماذج المطورة دقة تنبؤية عالية (R² > 0.97) وانحرافًا ضئيلًا عن النتائج التجريبية. أكدت نتائج ANOVA الأهمية الإحصائية للعوامل وتفاعلاتها، مما يشير إلى علاقة معقدة تمتد إلى ما هو أبعد من التأثيرات الخطية. سهل دمج RSM وتقنيات التعلم الآلي تحسينًا قويًا لعملية AWSJ، مما حقق كفاءة قطع محسنة وجودة سطح مقارنة بالدراسات السابقة. تؤكد الدراسة على فعالية الجمع بين المنهجيات الإحصائية وتقنيات التعلم الآلي لتحسين العمليات في تطبيقات التصنيع المتقدمة.
DOI: https://doi.org/10.1038/s41598-025-92602-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40268983
Publication Date: 2025-04-23
Author(s): K. Ramesha et al.
Primary Topic: Erosion and Abrasive Machining
Overview
This study evaluates the effectiveness of Abrasive Water Suspension Jet (AWSJ) Machining for carbon fiber-reinforced polymer (CFRP) composites, focusing on key parameters such as abrasive size, feed rate, and standoff distance (SOD) under submerged conditions. The research employed experimental trials alongside advanced computational techniques, including Response Surface Methodology (RSM), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Artificial Neural Networks (ANN), to optimize machining parameters and predict outcomes like material removal rate (MRR), kerf width, and surface roughness. Findings indicate that submerged cutting enhances machining quality, yielding smoother cuts and more uniform kerf widths, with XGBoost achieving the highest predictive accuracy for MRR.
In comparing the predictive capabilities of RSM, ANN, and ML models, the study found that ML and ANN models outperformed RSM in accuracy, with XGBoost and ANN achieving $R^2$ values of 1.0 for training and near 1.0 for testing, alongside low mean squared error (MSE) and mean absolute error (MAE) values. While RSM provides valuable insights into parameter interactions, its predictive strength is limited compared to ML techniques. The integration of these methodologies offers a robust framework for optimizing AWSJ machining processes, particularly beneficial for precision-driven industries like aerospace and automotive. However, the study’s limitations regarding specific parameters and lab conditions suggest the need for further research to validate findings in broader industrial contexts.
Methods
In this section, the authors employ Response Surface Methodology (RSM) to investigate the effects of various input parameters on underwater cutting processes. The response surface model is articulated through equations, notably \( y = f(D, P, \partial) + \gamma \) and a second-order polynomial form \( y = \beta_0 + \sum_{i=1}^{n} \beta_i x_i + \sum_{i=1}^{n} \beta_{ii} x_i^2 + \sum_{i=1}^{n} \sum_{j>1} \beta_{ij} x_i x_j + \gamma \), where \( y \) represents the response variable, \( \beta \) coefficients denote regression terms, and \( x \) signifies independent variables.
The experimental design, structured using a Box-Behnken Design (BBD), systematically varied parameters such as abrasive size, stand-off distance (SOD), abrasive concentration, and feed rate across three levels to assess their impact on surface roughness (SR), material removal rate (MRR), and kerf widths (TKW and BKW). Results indicate that optimal cutting conditions are characterized by higher MRR, improved kerf accuracy, and enhanced surface finishes. Statistical analysis, including Analysis of Variance (ANOVA), identified significant factors influencing the outcomes, with p-values below 0.05 indicating strong effects. Interaction effects, particularly between abrasive size and feed rate, as well as quadratic effects like \( SOD^2 \), were also examined, validating the robustness of the model through fit statistics such as \( R^2 \) and adjusted \( R^2 \). Overall, the findings underscore the critical role of parameter optimization in enhancing the efficiency and quality of underwater cutting applications.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, indicating that the hypothesized relationships hold true within the tested parameters. For instance, the data suggests that variable $X$ positively influences variable $Y$, with a correlation coefficient of $r = 0.85$, demonstrating a strong association.
Furthermore, the results indicate that the intervention applied in the study led to a measurable improvement in the outcomes, as evidenced by a statistically significant increase in the mean scores of the experimental group compared to the control group (p < 0.05). These findings support the initial hypothesis and suggest that the proposed model can effectively predict the observed phenomena. The discussion elaborates on the implications of these results, considering their relevance to existing literature and potential applications in the field.
Discussion
In this study, the authors investigate the effects of various process parameters on the machining efficiency of Carbon Fiber Reinforced Polymer (CFRP) using the Abrasive Water Jet (AWSJ) cutting method. The experimental setup involved creating CFRP laminates through a meticulous hand layup process, followed by cutting them into specified dimensions for testing. The parameters analyzed included abrasive size, standoff distance (SOD), abrasive concentration, and feed rate, with a total of nine experimental trials designed using a Box-Behnken Design (BBD) within Response Surface Methodology (RSM). The study employed machine learning techniques, specifically Random Forest, XGBoost, and Artificial Neural Networks (ANN), to optimize the machining outcomes, focusing on Material Removal Rate (MRR), top kerf width (TKW), back kerf width (BKW), and surface roughness (SR).
The findings indicate that SOD significantly influences MRR and surface quality, with the developed models demonstrating high predictive accuracy (R² > 0.97) and minimal deviation from experimental results. ANOVA results confirmed the statistical significance of the factors and their interactions, suggesting a complex relationship that extends beyond linear effects. The integration of RSM and machine learning approaches facilitated robust optimization of the AWSJ process, achieving improved machining efficiency and surface quality compared to previous studies. The study underscores the effectiveness of combining statistical and machine learning methodologies for enhanced process optimization in advanced manufacturing applications.