Parametric Optimization of EN-31 Steel Using Electric Discharge Machining

Muhammad Mansoor Uz Zaman Siddiqui; Syed Amir Iqbal; Ali Zulqarnain; Adeel Tabassum

doi:10.36561/ING.30.8

Autores/as

Muhammad Mansoor Uz Zaman Siddiqui University of Engineering and Technology Lahore, Pakistán https://orcid.org/0009-0007-8992-7601
Syed Amir Iqbal NED University of Engineering and Technology, Pakistán https://orcid.org/0000-0002-6812-6238
Ali Zulqarnain NED University of Engineering and Technology https://orcid.org/0000-0001-5919-7811
Adeel Tabassum National University of Sciences and Technology, Pakistán https://orcid.org/0009-0006-9375-1090

DOI:

https://doi.org/10.36561/ING.30.8

Palabras clave:

EDM, Parámetros, Mecanizado, Procesamiento, Rugosidad, EN-31, Optimización, DOE

Resumen

Este estudio de investigación se realizó para la optimización paramétrica del material EN-31 utilizando un mecanizado no convencional conocido como mecanizado por descarga eléctrica (EDM). El EN-31 es una aleación de acero que se utiliza generalmente en la industria aeroespacial, la fabricación de piezas de automóviles, la fabricación de matrices, etc., debido a que posee un alto grado de rigidez con una resistencia a la compresión y a la abrasión extremadamente buenas. El objetivo principal de este estudio fue analizar el impacto de cuatro factores de entrada, a saber, tiempo de pulso encendido (Ton), tiempo de pulso apagado (Toff), corriente (LV) y voltaje (HV) en las cinco respuestas de salida, a saber, tiempo de mecanizado (Tm), MRR, EWR, Ra y radio base (R). En este estudio se llevó a cabo sistemáticamente un enfoque de diseño de experimentos (DOE) con un diseño factorial completo. Se prepararon y realizaron ensayos experimentales básicos y luego se analizaron los datos utilizando ANOVA para identificar los factores de entrada significativos que tienen el mayor impacto en cada respuesta de salida mencionada anteriormente. Después de la identificación de los factores significativos, los factores de entrada optimizados y las respuestas de salida se calcularon utilizando ANOVA. Los resultados mostraron que para el tiempo de mecanizado (Tm), LV y Ton fueron factores significativos con valores optimizados de 50 A y 6,5 µs, respectivamente, lo que resultó en un Tm de 654,29 segundos. Para la tasa de remoción de material (MRR), Ton fue el factor significativo con un valor optimizado de 6,5 µs, logrando un MRR máximo de 0,0157 g/min. Para la tasa de desgaste del electrodo (EWR), LV y Ton fueron significativos con valores optimizados de 30 A y 4 µs, respectivamente, lo que resultó en un EWR mínimo de 0,07 g/min. La optimización de Ra reveló que la combinación de HV, LV, Ton y Toff fueron significativas, con configuraciones optimizadas de 50 A, 0,7 V, 4,0 µs y 6,5 µs, respectivamente, lo que produjo un Ra mínimo de 0,018 mm. Para el radio base (R), los factores significativos fueron HV, LV, Ton y Toff, con valores optimizados de 0,6152 V, 50 A, 6,5 µs y 6,5 µs, respectivamente, lo que resultó en un radio base de 1,5 mm.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Tajdeen, A.; Khan, M. W.; Basha, K. K.; Sakthivelmurugan, E.; Koppula, N. Experimental Investigation and Optimization of EDM Process Parameters on EN31 Steel Using Genetic Algorithm. Mater. Today Proc. 2022, 64 (1), 821–827. https://doi.org/10.1016/j.matpr.2022.05.326.

Sahu, A. K.; Sivarajan, S.; Padmanabhan, R. Optimization of Machining Parameters in Turning of EN31 Steel with TiAlN Coated Cutting Tool. Mater. Today Proc. 2021, 46 (17), 7497–7501. https://doi.org/10.1016/j.matpr.2021.01.180.

Kamenskikh, A. A.; Muratov, K. R.; Shlykov, E. S.; Sidhu, S. S.; Mahajan, A.; Kuznetsova, Y. S.; Ablyaz, T. R. Recent Trends and Developments in the Electrical Discharge Machining Industry: A Review. J. Manuf. Mater. Process. 2023, 7 (6). https://doi.org/10.3390/jmmp7060204.

Behera, A.; Sahoo, A. K.; Mahapatra, S. S. Experimental Investigation of Plain and Nano-Graphene Oxide Mixed Dielectric for Sustainable EDM of Nimonic Alloy Using Cu and Brass Electrode: A Comparative Study. Measurement 2025, 241. https://doi.org/10.1016/j.measurement.2024.115659.

Harish, B.; Kumar, D. S. A Novel Statistical Investigation on Tensile Property of High Alloy Steel (EN31) and Carbon Steel (EN09). Mater. Today Proc. 2023, 79 (1), 49–52. https://doi.org/10.1016/j.matpr.2022.08.286.

Langenberg, B.; Janczyk, M.; Koob, V.; Kliegl, R.; Mayer, A. A Tutorial on Using the Paired t Test for Power Calculations in Repeated Measures ANOVA with Interactions. Behav. Res. Methods 2023, 55, 2467–2484. https://doi.org/10.3758/s13428-022-01902-8.

Samantra, C.; Barua, A.; Pradhan, S.; Kumari, K.; Pallavi, P. Parametric Investigation of Die-Sinking EDM of Ti6Al4V Using the Hybrid Taguchi-RAMS-RATMI Method. Appl. Sci. 2024, 14 (16). https://doi.org/10.3390/app14167139.

Garba, E.; Abdul-Rani, A. M.; Yunus, N. A.; Aliyu, A. A. A.; Gul, I. A.; Al-Amin, M.; Aliyu, R. A Review of Electrode Manufacturing Methods for Electrical Discharge Machining: Current Status and Future Perspectives for Surface Alloying. Machines 2023, 11. https://doi.org/10.3390/machines11090906.

Singh, G.; Kumar, A.; Aggarwal, V.; Singh, S. Experimental Investigations and Optimization of Machining Performance During Turning of EN-31 Steel Using TOPSIS Approach. Mater. Today Proc. 2022, 48 (5), 1089–1094. https://doi.org/10.1016/j.matpr.2021.07.381.

Varpe, N. J.; Hamilton, N.; Anurag. Investigation into Burnishing Process to Examine Effect on Surface Integrity, Wear and Corrosion Resistance of Carbon Alloy (EN31) Steel. J. Mater. Eng. Perform. 2024, 33, 3691–3705. https://doi.org/10.1007/s11665-023-08524-x.

Okokpujie, I. P.; Bolu, C. A.; Ohunakin, O. S.; Akinlabi, E. T.; Adelekan, D. S. A Review of Recent Application of Machining Techniques, Based on the Phenomena of CNC Machining Operations. Procedia Manuf. 2019, 35, 1054–1060. https://doi.org/10.1016/j.promfg.2019.06.056.

Ram, J. S.; Jeavudeen, S.; Mouda, P. A.; Ahamed, N. The Role of Various Dielectrics Used in EDM Process and Their Environmental, Health, and Safety Issues. Mater. Today Proc. 2023. https://doi.org/10.1016/j.matpr.2023.05.137.

He, J.; Zeng, Z.; Li, H.; Wang, S. The Microstructure and Mechanical Properties of Copper in Electrically Assisted Tension. Mater. Des. 2020, 196. https://doi.org/10.1016/j.matdes.2020.109171.

Kumar, J.; Soota, T.; Rajput, S. K. Modelling and Optimization of EN 31 Work Material on Wire Electric Discharge Machining. Mater. Today Proc. 2019, 18 (7), 2984–2992. https://doi.org/10.1016/j.matpr.2019.07.169.

Kamei, K.; Davis, R.; Pereira, R. B. D. Experimental Investigation of the Effect of Input Control Variables and Thermal Treatments on the Impact Toughness of EN-31 Steel. Mater. Sci. Forum 2024, 1133, 47–54. https://doi.org/10.4028/p-ge4bbx.

Karthik, S.; Karunakaran, P.; Velmurugan, G. Experimental Investigation of WE43(T6) Magnesium Metal Matrix Composites to Enhance Mechanical Properties and EDM Process Parameters. Int. J. Electrochem. Sci. 2024, 19 (5). https://doi.org/10.1016/j.ijoes.2024.100553.

Galati, M.; Antonioni, P.; Calignano, F.; Atzeni, E. Experimental Investigation on the Cutting of Additively Manufactured Ti6Al4V with Wire-EDM and the Analytical Modelling of Cutting Speed and Surface Roughness. J. Manuf. Mater. Process. 2023, 7 (2). https://doi.org/10.3390/jmmp7020069.

Martínez-Olvera, C. The Role of Manufacturing Efficiency in the Achievement of Sustainable Mass Customization 4.0. Manuf. Res. 2022, 10 (1), 132–159. https://doi.org/10.1080/21693277.2022.2064360.

Farooq, M. U.; Anwar, S.; Bhatti, H. A.; Kumar, M. S.; Ali, M. A.; Ammarullah, M. I. Electric Discharge Machining of Ti6Al4V ELI in Biomedical Industry: Parametric Analysis of Surface Functionalization and Tribological Characterization. Materials 2023, 16 (12). https://doi.org/10.3390/ma16124458.

Kumar, P. M.; Sivakumar, K.; Selvarajan, L. EDM Machining Effectiveness for Ti–6Al–4V Alloy Using Cu–TiB2 Ceramic Composite Electrode: A Parametric Evaluation. Ceram. Int. 2024, 50 (11 Part B), 20118–20132. https://doi.org/10.1016/j.ceramint.2024.03.135.

Singh, R. P.; Sharma, V.; Kumar, R. Optimization of Response Parameter of Machining EN31 While Electro-Discharge-Machining Using TLBO. Mater. Today Proc. 2023. https://doi.org/10.1016/j.matpr.2023.02.121.

Shastri, R. K.; Mohanty, C. P.; Mishra, U.; Hotta, T. K.; Patil, V. V.; Prashanth, K. G. Optimizing the Electrical Discharge Machining Process Parameters of the Nimonic C263 Superalloy: A Sustainable Approach. J. Manuf. Mater. Process. 2024, 8 (3). https://doi.org/10.3390/jmmp8030126.

Ganapathy, S.; Palanivendhan, M.; Balasubramanian, P.; Susitra, K. Process Parameter of EDM to Optimize Material Removal Rate Using Box Behnken’s Design. Mater. Today Proc. 2023, 82, 38–42. https://doi.org/10.1016/j.matpr.2022.11.148.

Sharma, S.; Kumar, U.; Vates, A.; Bansal, A. Parametric Optimization of EN-31 Steel in Wire Cut Electro Discharge Machining by Taguchi Technique. Adv. Sci. Eng. Med. 2020, 10, 881–887. https://doi.org/10.1166/asem.2020.2645.

Pawar, S. S.; Bera, T. C.; Sangwan, K. S. Towards Energy Efficient Milling of Variable Curved Geometries. J. Manuf. Process. 2023, 94, 497–511. https://doi.org/10.1016/j.jmapro.2023.03.078.

Bhowmick, S.; Mondal, R.; Sarkar, S.; Biswas, N.; De, J.; Majumdar, G. Parametric Optimization and Prediction of MRR and Surface Roughness of Titanium Mixed EDM for Inconel 718 Using RSM and Fuzzy Logic. CIRP J. Manuf. Sci. Technol. 2023, 40, 10–28. https://doi.org/10.1016/j.cirpj.2022.11.002.

Sharma, V. K.; Saini, A.; Gupta, M.; Sehgal, S. S. Multi-Response Optimization in Face Milling of EN-31 Steel Using Analytical Hierarchy Process-Based GRA. Int. J. Interact. Des. Manuf. 2024, 18, 6187–6194. https://doi.org/10.1007/s12008-023-01540-0.

Dwivedi, Y. D.; Kumar, T. V.; Dharme, A.; Kumar, K. B.; Gori, Y.; Chandra, P. K.; Abdul-Zahra, D. S.; Kumar, D.; Jain, A. A Critical Review on Different Aspects of Electric Discharge Machining. Mater. Today Proc. 2023. https://doi.org/10.1016/j.matpr.2023.03.748.

Qin, Y.; Liu, X.; Yue, C.; Wang, L.; Gu, H. A Tool Wear Monitoring Method Based on Data-Driven and Physical Output. Robotics Comput. Integr. Manuf. 2024, 91. https://doi.org/10.1016/j.rcim.2024.102820.