TiC, karbon nanotüp ve grafen takviyeli 6061 alüminyum esaslı hibrit kompozitlerin toz metalurjisi yöntemiyle üretimi, özelliklerinin incelenmesi ve analizi

Abstract

Bu çalışmada, farklı üretim parametrelerinin mikro ve nano boyuttaki çeşitli takviyelerle kuvvetlendirilerek üretilen alüminyum esaslı kompozitlerin (Al6061/TiC, Al6061/MWCNT, Al6061/GNP, Al6061/TiC/MWCNT, Al6061/TiC/GNP, Al6061/MWCNT/GNP) özelliklerine olan etkileri makine öğrenmesi metodu kullanılarak deneysel ve istatiksel olarak incelenmiştir. Kompozitler toz metalurjisi yöntemi kullanılarak sıcak pres cihazıyla üretilmiştir. Üretim işlemlerini takiben metalografik işlemler, SEM-EDS, Micro-CT, Raman spektroskopisi, yoğunluk, sertlik, basma ve aşınma testlerine ek olarak elektriksel iletkenlik ölçümleri gerçekleştirilmiştir. SEM-EDS incelemeleri neticesinde takviye gruplarının alüminyum içerisinde genellikle uygun şekilde dağıldığı belirlenmiştir. SEM-EDS incelemelerinde elde edilen sonuçlar Micro-CT analizleriyle de doğrulanmıştır. Sertlik testleri sonrasında kompozit grupları içerisinde en yüksek sertlik Al6061/TiC/GNP kompozitte 98 HV olarak saptanmıştır. Aşınma testleri neticesinde Al6061/TiC/GNP kompozit grubunda takviyesiz Al6061 malzemesiyle kıyaslandığında maksimum 33.33 kat aşınma direnci artışı elde elde edilmiştir. Üretim parametrelerine bağlı olarak kompozitlerin aşınma direnci ve basma dayanımı sonuçları yapay sinir ağı yöntemiyle optimize edilmiştir. Deneysel sonuçlar ve yapay sinir ağı modelinden elde edilen tahmini değerler karşılaştırılmış ve modelin yüksek oranda tahmin doğruluğuna sahip olduğu saptanmıştır.

In this study, the effects of different production parameters on the properties of aluminum-based composites (Al6061/TiC, Al6061/MWCNT, Al6061/GNP, Al6061/TiC/MWCNT, Al6061/TiC/GNP, Al6061/MWCNT/GNP) produced by strengthening with various reinforcements in micro and nano size were investigated experimentally and statistically by using machine learning method. Composites were produced by using the powder metallurgy. Following the manufacturing processes; metallographic processes, SEM-EDS, Micro-CT, Raman spectroscopy, density, hardness, compression and wear tests, and electrical conductivity measurement were carried out. SEM-EDS examinations revealed that it was determined that the reinforcement groups were generally properly distributed in aluminum. The results were also confirmed by Micro-CT. After hardness tests, the highest hardness among composite groups was determined as 98 HV in Al6061/TiC/GNP composite. As a result of the wear tests, a maximum of 33.33 times increase in wear resistance was obtained in the Al6061/TiC/GNP composite group when compared to the unreinforced Al6061 material. The wear resistance and compressive strength values of the composites were optimized using artificial neural network depending on the production factors. The artificial neural network model's predicted values and the experimental results were compared, and it was found that the model had a high level of prediction accuracy.