VENCL, Aleksander, Petr SVOBODA, Simon KLANČNIK, Adrian BUT, Miloš VORKAPIĆ, Marta HARNIČÁROVÁ a Blaža STOJANOVIĆ. Influence of Al2O3 Nanoparticles Addition in ZA-27 Alloy-Based Nanocomposites and Soft Computing Prediction. Lubricants. Switzerland: MDPI, roč. 11, č. 1, s. 1-13, 14 s. ISSN 2075-4442. 2023.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Influence of Al2O3 Nanoparticles Addition in ZA-27 Alloy-Based Nanocomposites and Soft Computing Prediction
Název česky Vliv přidání nanočástic Al2O3 do nanokompozitů na bázi slitin ZA 27 s využitím Soft Computing Prediction
Autoři VENCL, Aleksander (garant), Petr SVOBODA, Simon KLANČNIK, Adrian BUT, Miloš VORKAPIĆ, Marta HARNIČÁROVÁ (203 Česká republika, domácí) a Blaža STOJANOVIĆ.
Vydání Lubricants, Switzerland, MDPI, 2023, 2075-4442.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 20501 Materials engineering
Stát vydavatele Švýcarsko
Utajení není předmětem státního či obchodního tajemství
WWW URL
Kód RIV RIV/75081431:_____/23:00002497
Organizační jednotka Vysoká škola technická a ekonomická v Českých Budějovicích
Klíčová slova česky slitina ZA-27; nanočástice Al2O3; nanokompozity; opotřebení; metodika RSM; umělá neuronová síť
Klíčová slova anglicky ZA-27 alloy; Al2O3 nanoparticles; nanocomposites; wear; response surface methodology; artificial neural network
Štítky KSTR5, RIV22, SCOPUS
Změnil Změnila: Barbora Kroupová, učo 25655. Změněno: 14. 3. 2023 15:08.
Anotace
Three different and very small amounts of alumina (0.2, 0.3 and 0.5 wt. %) in two sizes (approx. 25 and 100 nm) were used to enhance the wear characteristics of ZA-27 alloy-based nanocomposites. Production was realised through mechanical alloying in pre-processing and compocasting processes. Wear tests were under lubricated sliding conditions on a block-on-disc tribometer, at two sliding speeds (0.25 and 1 m/s), two normal loads (40 and 100 N) and a sliding distance of 1000 m. Experimental results were analysed by applying the response surface methodology (RSM) and a suitable mathematical model for the wear rate of tested nanocomposites was developed. Appropriate wear maps were constructed and the wear mechanism is discussed in this paper. The accuracy of the prediction was evaluated with the use of an artificial neural network (ANN). The architecture of the used ANN was 4-5-1 and the obtained overall regression coefficient was 0.98729. The comparison of the predicting methods showed that ANN is more efficient in predicting wear.
Anotace česky
Pro zvýšení opotřebitelnosti nanokompozitů na bázi slitiny ZA 27 byly použity tři různá a velmi malá množství oxidu hlinitého (0,2, 0,3 a 0,5 hm. %) ve dvou velikostech (cca 25 a 100 nm). Výroba byla realizována mechanickým legováním v předzpracovatelských a slévárenských procesech. Zkoušky opotřebení byly provedeny za mazaných kluzných podmínek na tribometru typu block-on-disc, při dvou rychlostech kluzu (0,25 a 1 m/s), dvou normálních zatíženích (40 a 100 N) a kluzné vzdálenosti 1000 m. Experimentální výsledky byly analyzovány aplikací metodologie reakčního povrchu (RSM) a byl vyvinut vhodný matematický model pro rychlost opotřebení testovaných nanokompozitů. Byly vytvořeny vhodné mapy opotřebení a v tomto článku je diskutován mechanismus opotřebení. Přesnost predikce byla hodnocena pomocí umělé neuronové sítě (ANN). Architektura použité ANN byla 4-5-1 a získaný celkový regresní koeficient byl 0,98729. Porovnání predikčních metod ukázalo, že ANN je efektivnější v predikci opotřebení.
VytisknoutZobrazeno: 28. 3. 2024 19:22