2023
Influence of Al2O3 Nanoparticles Addition in ZA-27 Alloy-Based Nanocomposites and Soft Computing Prediction
VENCL, Aleksander; Petr SVOBODA; Simon KLANČNIK; Adrian BUT; Miloš VORKAPIĆ et al.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; Petr SVOBODA; Simon KLANČNIK; Adrian BUT; Miloš VORKAPIĆ; Marta HARNIČÁROVÁ a Blaža STOJANOVIĆ
Vydání
Lubricants, Switzerland, MDPI, 2023, 2075-4442
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
20501 Materials engineering
Stát vydavatele
Švýcarsko
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Impakt faktor
Impact factor: 3.100
Označené pro přenos do RIV
Ano
Kód RIV
RIV/75081431:_____/23:00002497
Organizační jednotka
Vysoká škola technická a ekonomická v Českých Budějovicích
EID Scopus
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
Změněno: 14. 3. 2023 15:08, Barbora Kroupová
V originále
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.
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.