آزمايشات تجربي به منظور بررسي كيفيت سطح و اندازه شكاف برش در فرآيند برش-كاري سوپرآلياژ اينكونل 718 به وسيله ليزر و بهينه سازي فرآيند

Experimental investigations in order to evaluate the kerf and surface roughness in the laser cutting process of Inconel 718 superalloy and process optimization

سوپرآلياژ اينكونل 718 به دليل داشتن خواص منحصر به فردي چون سختي زياد و نقطه ذوب بالا از جمله آلياژهاي پركاربرد در صنايع هوايي و توربين سازي است. به دليل همين ويژگي‌ها، عمليات برش اينكونل 718 با روش‌هاي سنتي، دشوار و هزينه بر است. از اين رو برش كاري با ليزر يكي از مناسب‌ترين روش‌ها براي برش آلياژ اينكونل 718 به شمار مي‌رود. از جمله پارامترهاي بسيار مهم در فرآيند برش كاري، زبري سطح و اندازه شكاف برش مي‌باشد. اين پارامترها تاكنون در فرآيند برش كاري اينكونل 718 با ليزر به طور گسترده مطالعه نشده‌اند. در اين تحقيق، برش-كاري آلياژ اينكونل 718 با اشعه ليزر صورت پذيرفت. سپس اثر پارامترهاي برش كاري ليزر شامل سرعت برش، فشار گاز نيتروژن، توان و فاصله كانوني ليزر بر روي زبري سطح و اندازه شكاف برش با استفاده از نتايج حاصل از آزمايشات تجربي و سيستم هاي هوشمندي چون شبكه عصبي مصنوعي مطالعه شد. نتايج به دست آمده حاكي از دقت بالاي مدل ارايه شده در تخمين زبري سطح و اندازه پهناي شكاف برش بود.

Having unique properties such as high melting point and hardness, Inconel 718 superalloy has been found a widespread application in turbines and aerospace industries. Due to these properties, Inconel 718 superalloy cutting with traditional methods is difficult and costly. Therefore, novel cutting methods such as laser cutting have been considered. Geometrical characteristics of the cutting kerf and the surface roughness are important factors in the cutting process. These parameters have not been widely investigated in the laser cutting of Inconel 718. In this study, Inconel 718 superalloy was cut via laser, and the effect of cutting parameters including cutting speed, nitrogen gas pressure, and the power and focal distance of the laser beam, on the cutting kerf width and surface roughness was investigated through experimental investigations and artificial neural network. The results implied the high precision of the model in the estimation of kerf width and surface roughness.