Panuwat Soranansri

Defensa de la tesis de Panuwat Soranansri

Tengo el placer de invitarle a mi defensa de doctorado "Comportamiento tribológico durante el conformado en caliente de aleación de aluminio: rendimiento tribológico de recubrimientos PVD comerciales y mecanismos de transferencia de aluminio"

.

  • Le 10/03/2025

  • 10:00 - 11:30
  • Campus de Mont Houy
    Edificio CISIT
    Anfiteatro Thierry Tison

Resumen

Los objetivos de esta tesis doctoral fueron caracterizar la eficacia de los recubrimientos superficiales desarrollados para combatir los problemas de transferencia de material encontrados durante el conformado en caliente del aluminio, y estudiar estos mecanismos de transferencia. El material utilizado fue una aleación de aluminio AA 6082-T6, que se utiliza ampliamente en la fabricación de componentes de automoción.Se eligió el ensayo de compresión-translación en caliente (WHUST) como tribómetro principal para este estudio.

El ensayo de compresión-translación en caliente (WHUST) fue elegido como tribómetro principal para este estudio.

Con el fin de controlar con precisión las temperaturas de ensayo, se diseñó un dispositivo WHUST miniaturizado para integrarlo en la cámara de calentamiento de la plataforma Bruker UMT TriboLab. Las pruebas preliminares con este nuevo dispositivo mostraron un amontonamiento significativo de material delante del contactor. Por lo tanto, se han desarrollado nuevas ecuaciones analíticas para identificar el coeficiente de fricción de Coulomb (COF) y el factor de fricción (ley de Tresca) teniendo en cuenta este apilamiento de material.

El coeficiente de fricción de Coulomb (COF) y el factor de fricción (ley de Tresca) tienen en cuenta este apilamiento de material.

El WHUST se utilizó a continuación para evaluar el rendimiento tribológico de tres recubrimientos PVD comerciales: un AlCrN, un TiAlN y un Arc-DLC. Los experimentos se llevaron a cabo sin lubricante, a temperaturas comprendidas entre 300°C y 500°C, bajo presiones de contacto entre 40 y 100 MPa, con una velocidad de deslizamiento igual a 0,5 mm/s. Los resultados mostraron que el revestimiento Arc-DLC era más eficaz que los revestimientos AlCrN y TiAlN para mitigar los problemas de transferencia de aluminio. En particular, el revestimiento Arc-DLC causó menos adherencia y menos transferencia de aluminio, especialmente al inicio del deslizamiento.

El revestimiento Arc-DLC causó menos adherencia y menos transferencia de aluminio, especialmente al inicio del deslizamiento.

Estos resultados se confirmaron mediante ensayos bajo presiones de contacto más elevadas utilizando el ensayo de forja en T caliente (HVGCT).
En la segunda parte de esta tesis, se seleccionó el recubrimiento Arc-DLC para estudiar en detalle los mecanismos de transferencia de aluminio en herramientas de conformado.

Se realizaron ensayos con una distancia de deslizamiento corta (2 mm) para examinar las primeras etapas de la transferencia de aluminio, mientras que se utilizaron ensayos con una distancia de deslizamiento de 38 mm para estudiar la evolución de la transferencia. Los experimentos se llevaron a cabo a las mismas temperaturas de ensayo (300-500°C), con dos velocidades de deslizamiento diferentes, 0,5 mm/s y 5,0 mm/s, y siempre sin lubricante.

Evolución de la transferencia de aluminio.

Las topografías superficiales y las imágenes SEM tomadas a lo largo de la pista de fricción mostraron que la transferencia de aluminio se produce en dos etapas principales: una fase inicial debida principalmente al arado mecánico, seguida de una fase de crecimiento dominada, en función de las temperaturas y las velocidades de deslizamiento, por el arado mecánico o la adherencia.

En la parte final de esta tesis, se utilizó el aprendizaje automático (ML) para estudiar los mecanismos de transferencia del aluminio. Se analizaron topografías superficiales e imágenes SEM tomadas a lo largo de la pista de fricción. Se clasificaron utilizando cinco algoritmos sencillos de aprendizaje automático y una arquitectura de red neuronal convolucional (CNN) personalizada. Tanto el ML aplicado a los datos topográficos como la CNN aplicada a las imágenes SEM demostraron identificar con precisión los modos de desgaste
.

Póngase en contacto con

Panuwat Soranansri