Surface Roughness and Tool Wear Prediction in Machining of Nimonic 90 Through Machine Learning Under Various Lubrication Conditions

Resumen Técnico: Predicción de la Rugosidad Superficial y el Desgaste de la Herramienta en el Mecanizado de Nimonic 90 mediante Aprendizaje Automático bajo Diversas Condiciones de Lubricación

Planteamiento del Problema
El Nimonic 90, una superaleación a base de níquel esencial para aplicaciones aeroespaciales y de turbinas de gas, presenta desafíos significativos de mecanizado debido a su baja conductividad térmica, endurecimiento por deformación rápido y alta afinidad química con los materiales de la herramienta. Estas propiedades lo clasifican como un material "difícil de cortar", lo que conduce a un desgaste excesivo de la herramienta, ablandamiento térmico y una integridad superficial deficiente. La optimización experimental tradicional es costosa debido al alto precio de las superaleaciones y a las limitaciones de los tamaños de muestra pequeños para capturar dinámicas de mecanizado complejas y no lineales. Además, los métodos de lubricación convencionales suelen fallar en la gestión del intenso calor generado en la interfaz herramienta-viruta, mientras que los modelos existentes basados en datos luchan contra la escasez de datos experimentales típica en la investigación de mecanizado de superaleaciones.

Metodología
El estudio empleó un enfoque multifacético que combina el mecanizado experimental, la caracterización avanzada de la lubricación, el aumento de datos y el modelado de aprendizaje automático (ML).

• Diseño Experimental: Se realizaron experimentos de torneado en Nimonic 90 utilizando un arreglo ortogonal Taguchi L19. Se compararon tres entornos de lubricación: la Lubricación por Cantidad Mínima (MQL) tradicional basada en aceite, la MQL asistida por Líquido Iónico (IL) utilizando [1-Butil-3-Metil Imidazolio tetrafluoroborato] y el enfriamiento criogénico con Nitrógeno Líquido (LN₂). Se variaron las velocidades de corte (410, 620, 830 m/min) y los avances (0.1, 0.5 mm/rev) con una profundidad de corte constante (0.5 mm).
• Caracterización: Los lubricantes fueron analizados mediante pH, potencial zeta y ángulos de contacto. Las respuestas de mecanizado incluyeron Rugosidad Superficial ($R_a$), Desgaste de Flanco ($V_b$) y temperatura de corte. La morfología de la viruta, la microestructura y los mecanismos de desgaste de la herramienta se examinaron mediante SEM, microscopía óptica y pruebas de microdureza.
• Aumento de Datos: Para abordar la limitación de un conjunto de datos inicial pequeño (18 muestras), los autores utilizaron un marco de Regresión de Procesos Gaussianos (GPR) para aumentar los datos de forma probabilística. Aunque el resumen menciona el enriquecimiento del tamaño de la muestra a 27, la Sección 3.2.1 establece explícitamente que el conjunto de datos aumentado final utilizado para la representación estadística consistió en las 18 muestras originales, cerrando la brecha entre los experimentos discretos y el modelado predictivo continuo.
• Modelado de Aprendizaje Automático: Se entrenaron y evaluaron cuatro algoritmos—Regresión Lineal (LR), Máquinas de Vectores de Soporte (SVM), Bosque Aleatorio (RF) y Extreme Gradient Boosting (XGBoost)—utilizando validación cruzada de 5 pliegues (5-fold cross-validation). Los modelos tenían como objetivo predecir $R_a$ y $V_b$ basándose en los parámetros de entrada.
• Optimización: Se realizó un análisis de frontera de Pareto para identificar regímenes de mecanizado óptimos que equilibren la productividad y la integridad superficial.

Resultos Clave

• Desempeño de la Lubricación: El mecanizado criogénico con LN₂ arrojó los mejores resultados, logrando la menor rugosidad superficial ($R_a$ = 0.45–0.82 µm) y el menor desgaste de la herramienta. Específicamente, el LN₂ redujo el desgaste de flanco en un 46% en comparación con el mecanizado basado en aceite y redujo el volumen total de desgaste en un 73% en comparación con el mecanizado basado en aceite. La MQL asistida por líquido iónico demostró una mejor humectabilidad (ángulo de contacto de 39.6° frente a 51.8° para el aceite) y formó películas tribológicas protectoras, resultando en un desempeño intermedio entre el aceite y el enfriamiento criogénico.
• Cambios Microestructurales y Morfológicos: El enfriamiento con LN₂ resultó en la estructura de grano más fina (8–12 µm) en comparación con el IL (15–20 µm) y el aceite (25–30 µm), lo que indica una mayor homogeneidad microestructural. El análisis de la morfología de la viruta reveló que el LN₂ minimizó la formación de dientes de sierra y el desgaste abrasivo, produciendo virutas más suaves y continuas con un espesor reducido.
• Desempeño del Aprendizaje Automático: El modelo XGBoost superó a todos los demás algoritmos, alcanzando un $R^2$ de 0.948, un RMSE de 0.122 y un MAE de 0.094 para la predicción de la rugosidad superficial. Esto superó significativamente a la Regresión Lineal ($R^2$ = 0.627), confirmando la naturaleza altamente no lineal del proceso de mecanizado. El análisis de importancia de características identificó el Avance como el principal impulsor de la rugosidad superficial (0.68 de importancia relativa) y el Entorno de Enfriamiento como el factor dominante para el desgaste de la herramienta (0.71 de importancia relativa).
• Optimización: El análisis de la frontera de Pareto identificó un "Régimen Dorado" a una velocidad de corte de 620 m/min, un avance de 0.1 mm/rev y enfriamiento con LN₂, equilibrando una calidad de superficie submicrónica ($R_a$ = 0.82 µm) con una vida útil extendida de la herramienta.

Significancia y Reivindicaciones
El artículo afirma establecer un paradigma basado en datos para el mecanizado de precisión de aleaciones de alto rendimiento. Sus principales contribuciones incluyen:

1. Validación de las Estrategias Criogénica y de Líquido Iónico: Demostrar que el enfriamiento con LN₂ y la MQL asistida por IL ofrecen una gestión tribológica y térmica superior en comparación con la MQL tradicional basada en aceite para el Nimonic 90.
2. Marco de Aumento de Datos: Aplicar con éxito GPR para superar el problema de los "datos pequeños" inherente a los costosos experimentos con superaleaciones, permitiendo un entrenamiento de modelos robusto sin introducir inconsistencias físicas.
3. Modelado Predictivo: Probar que los modelos de árboles de ensamble, específicamente XGBoost, son altamente efectivos para capturar las complejas interacciones termodinámicas del mecanizado de superaleaciones, superando a los modelos lineales y otros modelos no lineales.
4. Aplicabilidad Industrial: Destacar la eficiencia computacional del marco desarrollado (tiempo de entrenamiento < 0.5 segundos, huella de memoria < 20 MB), lo que lo hace adecuado para la computación en el borde (edge computing), la optimización de procesos en tiempo real y la integración en sistemas de Gemelos Digitales para la fabricación autónoma en el sector aeroespacial.

El estudio concluye que la integración de estrategias de lubricación avanzadas con el modelado predictivo basado en aprendizaje automático proporciona una vía viable hacia procesos de fabricación sostenibles, autónomos y económicamente optimizados para componentes aeroespaciales.