GGG40 Dökme Demirin Kriyojenik ve Kriyojenik İşlem Görmemiş Kesici Uçlarla Frezelenmesinde Kesme Sıcaklık Değerlerinin Taguchi ve Yapay Sinir Ağı Algoritmaları ile Tahmini ve Kesme Parametrelerinin Etkilerinin İncelenmesi

Öz

GGG40, en yaygın kullanılan nodüler dökme demir alaşımıdır ve baskın olarak ferritik bir yapıya sahiptir. Bu malzeme, iyi darbe direnci, yüksek elektrik iletkenliği, iyi uzama özellikleri ve manyetik geçirgenlikle birleştirilmiş mükemmel bir işlenebilirliğe sahiptir. Bu malzeme son derece tok olduğundan, büyük kuvvetlere maruz kalan ekipmanlar için uygundur. Bu çalışmada GGG40 dökme demire, iki farklı kesici uç (kriyojenik işlem görmüş ve görmemiş kaplamasız uç), üç farklı kesme hızı (280, 360 ve 480 m/dak) ve üç farklı ilerleme oranı (0,15, 0,35, 0,55 mm/dev) kullanılarak yüzey frezeleme işlemi uygulanmıştır. Deneyler sonrası kesici takımların talaş kaldırmaya başlamasından 3 saniye sonra yaklaşık iş parçası orta noktasında, termal kamera kullanılarak kesme bölgesindeki sıcaklık ölçümleri gerçekleştirilmiştir. Deneysel tasarımda Taguchi L18 ortogonal dizi kullanılmış ve 18 adet deney yapılmıştır. Deneyler sonrası elde edilen sıcaklık değerleri optimize edilmiş ve elde edilen optimize değerler; kriyojenik işlem görmemiş kesici uç, 480 m/dak kesme hızı, 0.15 mm/dev ilerleme oranı olarak bulunmuştur. Taguchi tahmin denklemleri ve sinir ağı algoritmaları kullanılarak deneysel sonuçların tahmin değerleri bulunmuştur. Taguchi ortalama tahmin hata değeri %42,19, sinir ağı için ortalama tahmin hata değeri %6,45 olarak elde edilmiştir. Kesme parametrelerinin etki yüzdesi için yapılan varyans analizinde sıcaklığa etki eden en etkili parametre %34,55 ile kesme hızı olmuştur. Çalışmada minimum sıcaklık için en etkili kesici ucun, kriyojenik işlem görmemiş kesici uç olduğu görülmüştür.

Anahtar Kelimeler

• Taguchi
• Sinir Ağları
• Termal Ölçüm
• Kesme Sıcaklığı
• GGG40

Kaynakça

1. 1. Cavallini M., Di Bartolomeo O., Iacoviello F. (2008). Fatigue crack propagation damaging micromechanisms in ductile cast irons, Engineering Fracture Mechanics, 75: 694–704.
2. 2. Çavuşoğlu E. N. (1992) Döküm Teknolojisi 1, İstanbul Teknik Üniversitesi Matbaası, Gümüşsuyu, İstanbul.
3. 3. Kalpakjıan S., Schmid S. (2009). Manufacturing Engineering and Technology (8th Edition), New York: Prentice Hall, USA.
4. 4. Silman G.I., Kamynin V.V., Goncharov V.V. (2007). On the mechanisms of copper effect, Metal Science and Heat Treatment, 49(8): 16-22.
5. 5. Ucun I., Aslantaş K. (2009). The performance of ceramic and cermet cutting tools for the machining of austempered ductile iron, International Journal of Advanced Manufacturing Technology, 41: 642–650.
6. 6. Dearnley P.A., (1985) A metallurgical evaluation of tool wear and chip formation when machining pearlitic grey cast irons with dissimilar graphite morphologies, Wear. 101 (1): 33–68, http://dx.doi.org/10.1016/0043-1648(85)90210-8.
7. 7. Adır M. T. (2021) Isıl işlem yardımıyla mekanik özellikleri iyileştirilmiş GGG70 dökme demirin işlenebilirliğinin araştırılması, Yüksek Lisans Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, Konya.
8. 8. Koçak H., Uzun G. (2018). Investigation of cutting tool wears and cutting forces during wear in machining of ggg 90 ductile cast iron used as crank shaft, International Conference Innovative Engineering Applications, Sivas, Türkiye, 695-700.

9. 9. Yan P. Wang Y. B., Chen K.J., Ma B.X., Xiao Y. L., Wang X.B. (2020) Experimental research on high-speed dry milling performance of large-area nodular cast iron, IOP Conf. Series: Materials Science and Engineering 770 (012012): 1-8.
10. 10. Da Silva A. E., Rabelo De Melo I.N., Pinheiro I.P., Da Silva L.R. (2020). Characterisation and machinability of high chromium hardened white cast iron with and without the addition of niobium, Wear, 460-461: 1- 16.
11. 11. Da Silva L.R.R., Souza F.C.R., Guesser W.L., Jackson M.J., Machado A.R. (2020). Critical assessment of compacted graphite cast iron machinability in the milling process, Journal of Manufacturing Processes, 56 (A): 63-74.
12. 12. Yang H.W., Wang X.M,. Liu W., Huang W., Wu M., Xue M.L., Li L. (2024) Influence of distribution and size of graphite particle on the machinability of nodular cast iron, Engineering Fracture Mechanics, 297 (109882): 1-17.
13. 13. Binali R., Kuntoğlu M. (2023) Evaluation of machining parameters affecting cutting forces in dry turning of ggg50 ductile cast iron, Turkish Journal of Nature and Science, 12(2): 55-60.
14. 14. Lanc K., Fiala Z. And Zouhar J. (2024) Tool life experiment of coated cermet during nodular cast iron turning, The International Journal of Advanced Manufacturing Technology, 133: 1129-1141.
15. 15. P. Baldissera, C. Delprete (2008) Deep cryogenic treatment: A Bibliographic review, The open mechanical engineering journal, 2: 1-11.
16. 16. Özbek N. A. (2020) Kaplamalı tungsten karbür takımlar üzerine uygulanan kriyojenik işlemin AISI H11 çeliğinin işlenebilirliği üzerine etkilerinin araştırılması, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 8:1650-1660.
17. 17. Korucu S. (2020) The effects of sharpened tools on tool flank wear-surface roughnes and optimization of cutting parameters in milling Vanadis 4E powder metallurjic tool steel, Sādhanā, 45 (137): 1-13.
18. 18. Samtaş, G., Korucu S. (2021) Multiple optimization of cutting parameters in milling of cryogenically treated Aluminium 6061-T651alloywithcryogenic and normal cutting inserts, Surface Topography: Metrology and Properties, .9(045003): 1-10.
19. 19. Awasthi, P., Mao, A., Mohri, M., Mohri M., Zhong Y. (2024) DC-programming for neural network optimizations. Journal of Global Optimization 1-17. https://doi.org/10.1007/s10898-023-01344-2
20. 20. Krizhevsky, A., Sutskever, I., Hinton, G.E. (2012) Imagenet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, 1097–1105.
21. 21. Sutskever, I., Vinyals, O., Le, Q.V. (2014) Sequence to sequence learning with neural networks. In: Advances in Neural Information Processing Systems, 3104–3112.
22. 22. Shomope I., Tawalbeh M., Al-Othman A., Almomani F. (2025) Predicting biohydrogen production from dark fermentation of organic waste biomass using multilayer perceptron artificial neural network (MLP–ANN), Computers and Chemical Engineering, 192(108900): 1-11.
23. 23. Wang Y., Zhou X. (2024) Predictive study of drying process for limonite pellets using MLP artificial neural network model, Powder Technology, 444(120026): 1-10.
24. 24. Düzce R., Samtaş G. (2021) GG25 Dökme demirin frezelenmesinde kesme parametrelerinin kesme sıcaklığı üzerine etkisi ve optimizasyonu, İmalat Teknolojileri ve Uygulamaları, 2(3): 20-33.
25. 25. Gökkaya H., Nalbant M., Şeker U. (2004) Talaş kaldırma sırasında açığa çıkan ısının kesme bölgesinde oluşturduğu sıcaklıkların ölçülmesinde kullanılan yöntemler, Politeknik Dergisi, 7 (4): 297-305.