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

तकनीकी सारांश: विभिन्न स्नेहन स्थितियों के तहत मशीन लर्निंग के माध्यम से निमोनिक 90 की मशीनिंग में सतह की खुरदरापन और टूल वियर का पूर्वानुमान

समस्या विवरण
निमोनिक 90, जो एयरोस्पेस और गैस टर्बाइन अनुप्रयोगों के लिए आवश्यक एक निकल-आधारित सुपरअलॉय है, मशीनिंग में महत्वपूर्ण चुनौतियां प्रस्तुत करता है क्योंकि इसमें निम्न तापीय चालकता, तीव्र वर्क हार्डनिंग और टूल सामग्रियों के लिए उच्च रासायनिक आकर्षण होता है। ये गुण इसे एक "कठिन-से-काटने" (difficult-to-cut) वाली सामग्री के रूप में वर्गीकृत करते हैं, जिससे अत्यधिक टूल वियर, थर्मल सॉफ्टनिंग और खराब सतह अखंडता होती है। पारंपरिक प्रयोगात्मक अनुकूलन (optimization) अत्यधिक खर्चीला है क्योंकि सुपरअलॉय बहुत महंगे होते हैं और छोटे सैंपल साइज सुपरअलॉय मशीनिंग अनुसंधान की जटिल, गैर-रेखीय गतिशीलता को पकड़ने में सीमित होते हैं। इसके अलावा, पारंपरिक स्नेहन विधियां अक्सर टूल-चिप इंटरफेस पर उत्पन्न होने वाली तीव्र ऊष्मा को प्रबंधित करने में विफल रहती हैं, जबकि मौजूदा डेटा-संचालित मॉडल सुपरअलॉय मशीनिंग अनुसंधान में विशिष्ट डेटा की कमी से जूझते हैं।

कार्यप्रणाली
इस अध्ययन में प्रयोगात्मक मशीनिंग, उन्नत स्नेहन लक्षण वर्णन, डेटा ऑग्मेंटेशन और मशीन लर्निंग (ML) मॉडलिंग को संयोजित करने वाला एक बहुआयामी दृष्टिकोण अपनाया गया।

• प्रयोगात्मक डिजाइन: निमोनिक 90 पर टर्निंग प्रयोग एक टैगुची L19 ऑर्थोगोनल ऐरे का उपयोग करके किए गए। तीन स्नेहन वातावरणों की तुलना की गई: पारंपरिक तेल-आधारित मिनिमम क्वांटिटी लुब्रिकेशन (MQL), [1-ब्यूटिल-3-मिथाइल इमिडाज़ोलियम टेट्राफ्लोरोबोरेट] का उपयोग करके आयनिक लिक्विड (IL)-सहायता प्राप्त MQL, और क्रायोजेनिक लिक्विड नाइट्रोजन (LN₂) कूलिंग। कटिंग स्पीड (410, 620, 830 m/min) और फीड रेट (0.1, 0.5 mm/rev) को एक स्थिर कट की गहराई (0.5 mm) के साथ बदला गया।
• लक्षण वर्णन (Characterization): स्नेहकों का pH, ज़ेटा पोटेंशियल और संपर्क कोण के लिए विश्लेषण किया गया। मशीनिंग प्रतिक्रियाओं में सतह की खुरदरापन ($R_a$), फ्लैंक वियर ($V_b$), और कटिंग तापमान शामिल थे। चिप मॉर्फोलॉजी, सूक्ष्म संरचना और टूल वियर तंत्र का SEM, ऑप्टिकल माइक्रोस्कोपी और माइक्रोहार्डनेस टेस्टिंग के माध्यम से परीक्षण किया गया।
• डेटा ऑग्मेंटेशन: एक छोटे प्रारंभिक डेटासेट (18 नमूने) की सीमा को दूर करने के लिए, लेखकों ने डेटा को संभाव्यतात्मक रूप से बढ़ाने के लिए गाऊसी प्रोसेस रिग्रेशन (GPR) फ्रेमवर्क का उपयोग किया। जबकि एब्स्ट्रैक्ट में डेटा आकार को समृद्ध करके 27 करने का उल्लेख है, खंड 3.2.1 स्पष्ट रूप से बताता है कि सांख्यिकीय प्रतिनिधित्व के लिए उपयोग किया गया अंतिम ऑगमेंटेड डेटासेट मूल 18 नमूनों का ही था, जो विविक्त (discrete) प्रयोगों और निरंतर भविष्य कहनेवाला मॉडलिंग के बीच के अंतर को पाटता है।
• मशीन लर्निंग मॉडलिंग: चार एल्गोरिदम—लीनियर रिग्रेशन (LR), सपोर्ट वेक्टर मशीन (SVM), रैंडम फॉरेस्ट (RF), और एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGBoost)—को 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग करके प्रशिक्षित और मूल्यांकित किया गया। मॉडलों का उद्देश्य इनपुट मापदंडों के आधार पर $R_a$ और $V_b$ की भविष्यवाणी करना था।
• अनुकूलन (Optimization): उत्पादकता और सतह अखंडता को संतुलित करने वाले इष्टतम मशीनिंग शासन (regimes) की पहचान करने के लिए एक पारेटो फ्रंटियर विश्लेषण किया गया।

प्रमुख परिणाम

• स्नेहन प्रदर्शन: क्रायोजेनिक LN₂ मशीनिंग ने श्रेष्ठ परिणाम दिए, जिससे न्यूनतम सतह की खुरदरापन ($R_a$ = 0.45–0.82 µm) और न्यूनतम टूल वियर प्राप्त हुआ। विशेष रूप से, LN₂ ने तेल-आधारित मशीनिंग की तुलना में फ्लैंक वियर को 46% कम कर दिया और तेल-आधारित मशीनिंग की तुलना में कुल वियर वॉल्यूम को 73% कम कर दिया। आयनिक लिक्विड-सहायता प्राप्त MQL ने बेहतर वेटेबिलिटी (तेल के 51.8° के मुकाबले संपर्क कोण 39.6°) प्रदर्शित की और सुरक्षात्मक ट्राइबो-फिल्म बनाई, जिसके परिणामस्वरूप तेल और क्रायोजेनिक कूलिंग के बीच मध्यम प्रदर्शन प्राप्त हुआ।
• सूक्ष्म संरचनात्मक और रूपात्मक परिवर्तन: तेल (25–30 µm) और IL (15–20 µm) की तुलना में LN₂ कूलिंग ने सबसे महीन ग्रेन संरचना (8–12 µm) प्रदान की, जो बेहतर सूक्ष्म संरचनात्मक समरूपता का संकेत देती है। चिप मॉर्फोलॉजी विश्लेषण से पता चला कि LN₂ ने सॉ-टूथ फॉर्मेशन और एब्रेसिव वियर को न्यूनतम किया, जिससे कम मोटाई वाले चिकने, अधिक निरंतर चिप्स प्राप्त हुए।
• मशीन लर्निंग प्रदर्शन: XGBoost मॉडल ने सभी अन्य एल्गोरिदम को पछाड़ दिया, जिसने सतह की खुरदरापन भविष्यवाणी के लिए $R^2$ = 0.948, RMSE = 0.122, और MAE = 0.094 प्राप्त किया। यह लीनियर रिग्रेशन ($R^2$ = 0.627) से काफी बेहतर था, जो मशीनिंग प्रक्रिया की अत्यधिक गैर-रेखीय प्रकृति की पुष्टि करता है। फीचर इम्पोर्टेंस विश्लेषण ने पहचाना कि फीड रेट सतह की खुरदरापन के लिए प्राथमिक चालक (0.68 सापेक्ष महत्व) और कूलिंग एनवायरनमेंट टूल वियर के लिए प्रमुख कारक (0.71 सापेक्ष महत्व) था।
• अनुकूलन: पारेटो फ्रंटियर विश्लेषण ने 620 m/min की कटिंग स्पीड, 0.1 mm/rev के फीड रेट और LN₂ कूलिंग पर एक "गोल्डन रिजीम" की पहचान की, जो विस्तारित टूल लाइफ के साथ सब-माइक्रोन सतह गुणवत्ता ($R_a$ = 0.82 µm) को संतुलित करता है।

महत्व और दावे
यह शोध पत्र उच्च-प्रदर्शन वाले मिश्र धातुओं की सटीक मशीनिंग के लिए एक डेटा-संचालित प्रतिमान स्थापित करने का दावा करता है। इसके प्राथमिक योगदान हैं:

1. क्रायोजेनिक और आयनिक लिक्विड रणनीतियों का सत्यापन: यह प्रदर्शित करना कि निमोनिक 90 के लिए पारंपरिक तेल-आधारित MQL की तुलना में LN₂ कूलिंग और IL-सहायता प्राप्त MQL बेहतर ट्राइबोलॉजिकल और थर्मल प्रबंधन प्रदान करते हैं।
2. डेटा ऑग्मेंटेशन फ्रेमवर्क: महंगे सुपरअलॉय प्रयोगों में निहित "छोटे डेटा" की समस्या को दूर करने के लिए GPR को सफलतापूर्वक लागू करना, जिससे भौतिक विसंगतियों को पेश किए बिना मजबूत मॉडल प्रशिक्षण संभव हो सका।
3. भविdt मॉडल (Predictive Modeling): यह सिद्ध करना कि एन्सेम्बल ट्री-आधारित मॉडल, विशेष रूप से XGBoost, सुपरअलॉय मशीनिंग की जटिल थर्मोडायनामिक अंतःक्रियाओं को पकड़ने में अत्यधिक प्रभावी हैं, जो लीनियर और अन्य गैर-रेखीय मॉडलों से बेहतर प्रदर्शन करते हैं।
4. औद्योगिक प्रयोज्यता: विकसित फ्रेमवर्क की कम्प्यूटेशनल दक्षता (प्रशिक्षण समय < 0.5 सेकंड, मेमोरी फुटप्रिंट < 20MB) को उजागर करना, जो एज कंप्यूटिंग, वास्तविक समय प्रक्रिया अनुकूलन और एयरोस्पेस क्षेत्र में स्वायत्त विनिर्माण के लिए डिजिटल ट्विन सिस्टम में एकीकरण के लिए उपयुक्त है।

अध्ययन निष्कर्ष निकालता है कि उन्नत स्नेहन रणनीतियों को मशीन लर्निंग-आधारित भविष्य कहनेवाला मॉडलिंग के साथ एकीकृत करने से एयरोस्पेस घटकों के लिए टिकाऊ, स्वायत्त और आर्थिक रूप से अनुकूलित विनिर्माण प्रक्रियाओं की ओर एक व्यवहार्य मार्ग मिलता है।