S235 Çelik ve PP Plastikte zımparalama parametrelerinin yüzey pürüzlülüğüne etkisinin yanıt yüzey metodu ve yapay sinir ağlarıyla incelenmesi

Abstract

Bu çalışmada, S235 ve polipropilen (PP) malzemelerin yüzeylerinin farklı zımparalama parametreleriyle zımparalanması sonucunda elde edilen yüzey pürüzlülüğü değerleri incelenmiştir. Zımpara tane büyüklüğü (P60, P100, P180 ve P320) ile zımparalama süresi (15, 30, 45 ve 60 saniye) zımparalama parametreleri olarak kullanılmıştır. Zımpara parametrelerinin malzeme yüzey pürüzlülüğü üzerindeki etki oranları varyans analizi ile belirlenmiştir. Yüzey pürüzlülüğü üzerinde en etkili parametrenin zımpara tane büyüklüğü olduğu belirlenmiştir. Tahmin amacıyla matematiksel modeller ve yapay sinir ağları oluşturulmuştur. Zımpara tane büyüklüğüne ait numara ve zımparalama süresi arttıkça yüzey pürüzlülüğünün azaldığı görülmüştür. Uygulanan parametreler kapsamında, her iki malzeme için de yüzey pürüzlülüğünde %80’in üzerinde bir azalma ölçülmüştür. Optimum parametreler, yüzey pürüzlülüğü (Ra) değerinin minimize edilmesi kriterine göre belirlenmiştir. Yanıt Yüzey Yöntemi (RSM) ile gerçekleştirilen optimizasyon sonucunda, minimum Ra değerinin elde edilmesi için P320 zımpara ve 60 saniyelik zımparalama işlemi optimum koşul olarak belirlenmiştir.

Keywords

• Zımparalama
• yüzey pürüzlülüğü
• RSM
• tahmin modeli

Supporting Institution

Kemal Başaran Endüstri A.Ş.

Thanks

Yazarlar, bu çalışmanın hazırlanması sırasında sağladıkları teknik destekten dolayı Kemal Başaran Endüstri A.Ş.'ye teşekkürlerini sunarlar.

Investigation of the effect of sanding parameters on surface roughness of S235 steel and PP plastic by response surface method and artificial neural networks

Abstract

In this study, the surface roughness values obtained as a result of sanding the surfaces of S235 and polypropylene (PP) materials with different sanding parameters were investigated. Sanding size (P60, P100, P180, and P320) and sanding time (15, 30, 45, and 60 seconds) were used as sanding parameters. The effect ratios on material roughness were determined by analysis of variance. It was concluded that sanding size was the most effective parameter on surface roughness. Mathematical models and artificial neural networks were created for prediction. Surface roughness decreased with increasing sanding size number and sanding time. In the applied parameters, it was measured that there was a decrease in surface roughness of over 80% for both materials. Optimum parameters were determined based on the criterion of minimizing the surface roughness (Ra) value. As a result of the optimisation with Response Surface Method (RSM), a 60-second sanding process with P320 sandpaper was determined as the optimum condition for achieving the minimum Ra value.

Keywords

• Sanding
• surface roughness
• RSM
• prediction

Supporting Institution

Kemal Başaran Industry Inc. Company

Thanks

The authors would like to thank Kemal Başaran Industry Inc. Company for their technical assistance during the preparation of this study.

References

1. M. Sarılıgil, “Makine öğrenmes ile kısıtlara dayalı zımpara seçimi,” Balıkesir Üniversitesi, 2023.
2. P. Sabarinathan, V. E. Annamalai, R. Balakrishnan, and A. C. Kuriakose, “Process optimization for recovery of fiber backing from coated abrasive disks,” Chem. Eng. Commun., vol. 208, no. 6, pp. 893–902, 2021, doi: 10.1080/00986445.2020.1758677.
3. H. H.Z., “lecture2-abrasive.” https://www.scribd.com/document/573287853/lecture2-abrasive.
4. M. E. Kara et al., “Lif Levhalrının Yüzey Pürüzlülüğü Üzeri̇ne Bazi Zimparalama Faktörleri̇ni̇n Etki̇si̇,” Bartın Orman Fakültesi Dergisi, vol. 14, no. 22, pp. 41–46, 2012.
5. A. C. İLÇE and H. SİNGER, “Doğu Kayını Ahşabının Yüzey Pürüzlülüğünün Bir Yapay Sinir Ağı ile Modellenmesi,” Düzce Üniversitesi Bilim ve Teknol. Derg., vol. 7, no. 3, pp. 1867–1878, Jul. 2019, doi: 10.29130/dubited.564000.
6. S. Tiryaki, Ş. Özşahin, and A. Aydın, “Employing artificial neural networks for minimizing surface roughness and power consumption in abrasive machining of wood,” Eur. J. Wood Wood Prod., vol. 75, no. 3, pp. 347–358, 2017, doi: 10.1007/s00107-016-1050-1.
7. O. Sulaiman, R. Hashim, K. Subari, and C. K. Liang, “Effect of sanding on surface roughness of rubberwood,” J. Mater. Process. Technol., vol. 209, no. 8, pp. 3949–3955, 2009, doi: 10.1016/j.jmatprotec.2008.09.009.
8. E. Hazir, K. H. Koc, and S. Hiziroglu, “Optimization Of Sanding Parameters Using Response Surface Methodology,” Maderas Cienc. y Tecnol., vol. 19, no. 4, pp. 407–416, 2017, doi: 10.4067/S0718-221X2017005000101.

9. B. Luo et al., “Study on sanding force, power consumption and quality of calibrating sanding recombinant bamboo,” Wood Res., vol. 62, no. 6, pp. 983–994, 2017.
10. J. Kúdela, L. Mrenica, and Ľ. Javorek, “The influence of milling and sanding on wood surface morphology,” Acta Fac. Xylologiae, vol. 60, no. 1, pp. 71–83, 2018, doi: 10.17423/afx.2018.60.1.08.
11. M. Sydor, R. Mirski, K. Stuper-Szablewska, and T. Rogoziński, “Efficiency of machine sanding of wood,” Appl. Sci., vol. 11, no. 6, pp. 1–12, 2021, doi: 10.3390/app11062860.
12. Q. Liu, D. Gao, and W. Xu, “Effect of sanding processes on the surface properties of modified poplar coated by primer compared with mahogany,” Coatings, vol. 10, no. 9, pp. 1–13, 2020, doi: 10.3390/coatings10090856.
13. C. Su, J. Huang, J. Luo, L. Lai, and Y. Wuang, “Optimization of sanding parameters for wood surface of plantation-mytilaria laosensis,” Adv. Mater. Res., vol. 538–541, pp. 1360–1364, 2012, doi: 10.4028/www.scientific.net/AMR.538-541.1360.
14. J. Zhang, C. Su, J. Huang, Y. Ren, and Z. Wang, “Optimization of sanding parameters for surface of Pyinkado plates,” Appl. Mech. Mater., vol. 174–177, pp. 175–179, 2012, doi: 10.4028/www.scientific.net/AMM.174-177.175.
15. B. Luo, L. Li, H. Liu, M. Xu, and F. Xing, “Analysis of sanding parameters, sanding force, normal force, power consumption, and surface roughness in sanding wood-based panels,” BioResources, vol. 9, no. 4, pp. 7494–7503, 2014, doi: 10.15376/biores.9.4.7494-7503.
16. E. A. Salca, “Optimization of the cutting schedule during sanding,” For. Bull., vol. 21, no. 4, pp. 70–72, 2019, doi: 10.18698/2542-1468-2017-4-70-72.
17. J. Ratnasingam and F. Scholz, “Optimizing the abrasive sanding process of rubberwood (Hevea brasiliensis),” Holz als Roh - und Werkst., vol. 62, no. 6, pp. 411–418, 2004, doi: 10.1007/s00107-004-0522-x.
18. “Kemal Başaran End. A.Ş. Katalog.” https://www.kemalbasaran.com.tr/katalog/.
19. Y. E. Nehri, A. Oral, and A. Toktaş, “Optimisation of machining parameters of AISI 304L stainless steel with the least error method using Taguchi, RSM, and ANN,” Aust. J. Mech. Eng., vol. 00, no. 00, pp. 1–11, 2024, doi: 10.1080/14484846.2024.2366605.
20. F. Zhujani, G. Todorov, K. Kamberov, and F. Abdullahu, “Mathematical modeling and optimization of machining parameters in CNC turning process of Inconel 718 using the Taguchi method,” J. Eng. Res., no. June, 2024, doi: 10.1016/j.jer.2023.10.029.