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

Sintesi Tecnica: Previsione della Rugosità Superficiale e dell'Usura dell'Utensile nella Lavorazione del Nimonic 90 tramite Machine Learning sotto Varie Condizioni di Lubrificazione

Problematica
Il Nimonic 90, una superlega a base di nichel essenziale per applicazioni aerospaziali e di turbine a gas, presenta sfide significative nella lavorazione dovute alla sua bassa conducibilità termica, al rapido incrudimento e all'elevata affinità chimica con i materiali degli utensili. Queste proprietà lo classificano come un materiale "difficile da tagliare", portando a un'usura eccessiva dell'utensile, ammorbidimento termico e scarsa integrità superficiale. L'ottimizzazione sperimentale tradizionale è antieconomica a causa dell'alto costo delle superleghe e dei limiti dei piccoli campioni nel catturare dinamiche di lavorazione complesse e non lineari. Inoltre, i metodi di lubrificazione convenzionali spesso non riescono a gestire il calore intenso generato all'interfaccia utensile-truccolo, mentre i modelli basati sui dati esistenti faticano a causa della scarsità di dati sperimentali tipica della ricerca sulla lavorazione delle superleghe.

Metodologia
Lo studio ha impiegato un approccio multifasettico combinando la lavorazione sperimentale, la caratterizzazione avanzata della lubrificazione, l'aumento dei dati (data augmentation) e la modellazione tramite machine learning (ML).

• Progettazione Sperimentale: Esperimenti di tornitura sono stati condotti sul Nimonic 90 utilizzando un array ortogonale Taguchi L19. Sono stati confrontati tre ambienti di lubrificazione: la tradizionale lubrificazione a minima quantità di olio (MQL), la MQL assistita da liquido ionico (IL) utilizzando [1-Butil-3-Metil Imidazolio tetrafluoroborato] e il raffreddamento criogenico con azoto liquido (LN₂). Sono state variate le velocità di taglio (410, 620, 830 m/min) e le velocità di avanzamento (0,1, 0,5 mm/giro) con una profondità di passata costante (0,5 mm).
• Caratterizzazione: I lubrificanti sono stati analizzati per pH, potenziale zeta e angoli di contatto. Le risposte di lavorazione includevano rugosità superficiale ($R_a$), usura del fianco ($V_b$) e temperatura di taglio. La morfologia del truciolo, la microstruttura e i meccanismi di usura dell'utensile sono stati esaminati tramite SEM, microscopia ottica e test di microdurezza.
• Aumento dei Dati (Data Augmentation): Per affrontare il limite di un set di dati iniziale ridotto (18 campioni), gli autori hanno utilizzato un framework di Regressione dei Processi Gaussiani (GPR) per aumentare probabilisticamente i dati. Sebbene l'abstract menzioni l'arricchimento della dimensione del campione a 27, la sezione 3.2.1 afferma esplicitamente che il dataset aumentato finale utilizzato per la rappresentazione statistica consisteva nei 18 campioni originali, colmando il divario tra esperimenti discreti e modellazione predittiva continua.
• Modellazione Machine Learning: Quattro algoritmi — Regressione Lineare (LR), Support Vector Machines (SVM), Random Forest (RF) e Extreme Gradient Boosting (XGBoost) — sono stati addestrati e valutati utilizzando una validazione incrociata a 5 pieghe (5-fold cross-validation). I modelli miravano a prevedere $R_a$ e $V_b$ in base ai parametri di input.
• Ottimizzazione: È stata condotta un'analisi della frontiera di Pareto per identificare i regimi di lavorazione ottimali che bilanciano produttività e integrità superficiale.

Risultati Chiave

• Prestazioni della Lubrificazione: La lavorazione criogenica con LN₂ ha prodotto i risultati superiori, ottenendo la rugosità superficiale più bassa ($R_a$ = 0,45–0,82 µm) e l'usura dell'utensile minore. Nello specifico, la LN₂ ha ridotto l'usura del fianco del 46% rispetto alla lavorazione con olio e ha ridotto il volume totale di usura del 73% rispetto alla lavorazione con olio. La MQL assistita da liquido ionico ha dimostrato una migliore bagnabilità (angolo di contatto di 39,6° rispetto a 51,8° per l'olio) e ha formato film tribologici protettivi, risultando in una prestazione intermedia tra la lubrificazione con olio e il raffreddamento criogenico.
• Cambiamenti Microstrutturali e Morfologici: Il raffreddamento con LN₂ ha prodotto la struttura del grano più fine (8–12 µm) rispetto a IL (15–20 µm) e olio (25–30 µm), indicando una maggiore omogeneità microstrutturale. L'analisi della morfologia del truciolo ha rivelato che la LN₂ ha minimizzato la formazione di denti di sega e l'usura abrasiva, producendo trucioli più lisci e continui con uno spessore ridotto.
• Prestazioni del Machine Learning: Il modello XGBoost ha superato tutti gli altri algoritmi, raggiungendo un $R^2$ di 0,948, un RMSE di 0,122 e un MAE di 0,094 per la previsione della rugosità superficiale. Ciò ha superato significativamente la Regressione Lineare ($R^2$ = 0,627), confermando la natura altamente non lineare del processo di lavorazione. L'analisi dell'importanza delle caratteristiche ha identificato la Velocità di Avanzamento come il driver primario per la rugosità superficiale (importanza relativa 0,68) e l'Ambiente di Raffreddamento come il fattore dominante per l'usura dell'utensile (importanza relativa 0,71).
• Ottimizzazione: L'analisi della frontiera di Pareto ha identificato un "Regime d'Oro" a una velocità di taglio di 620 m/min, una velocità di avanzamento di 0,1 mm/giro e raffreddamento LN₂, bilanciando una qualità superficiale sub-micronica ($R_a$ = 0,82 µm) con una vita utile dell'utensile prolungata.

Significatività e Rivendicazioni
Il documento sostiene di aver stabilito un paradigma basato sui dati per la lavorazione di precisione di leghe ad alte prestazioni. I suoi principali contributi sono:

1. Validazione delle Strategie Criogeniche e dei Liquidi Ionici: Dimostrare che il raffreddamento con LN₂ e la MQL assistita da IL offrono una gestione tribologica e termica superiore rispetto alla tradizionale MQL a base di olio per il Nimonic 90.
2. Framework di Aumento dei Dati: Applicazione con successo della GPR per superare il problema dei "piccoli dati" inerente agli costosi esperimenti sulle superleghe, consentendo un addestramento robusto dei modelli senza introdurre inconsistenze fisiche.
3. Modellazione Predittiva: Provare che i modelli ensemble basati su alberi, specificamente XGBoost, sono altamente efficaci nel catturare le complesse interazioni termodinamiche della lavorazione delle superleghe, superando i modelli lineari e altri modelli non lineari.
4. Applicabilità Industriale: Evidenziare l'efficienza computazionale del framework sviluppato (tempo di addestramento < 0,5 secondi, impronta di memoria < 20 MB), rendendolo adatto all'edge computing, all'ottimizzazione dei processi in tempo reale e all'integrazione in sistemi Digital Twin per la manifattura autonoma nel settore aerospaziale.

Lo studio conclude che l'integrazione di strategie di lubrificazione avanzate con la modellazione predittiva basata sul machine learning fornisce una via percorribile verso processi di produzione sostenibili, autonomi ed economicamente ottimizzati per componenti aerospaziali.