J 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

Štítky

Změněno: 14. 3. 2023 15:08, Barbora Kroupová

Anotace

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.

Přiložené soubory

lubricants-11-00024-v2__2_.pdf
Požádat o autorskou verzi souboru