Modélisation et optimisation des paramètres d’usinage lors du tournage du polyacétal POM C

Abstract

Les polymères sont de plus en plus utilisés dans l'industrie en raison de plusieurs avantages tels que : leurs faible densité, leurs excellente résistance à la corrosion, la possibilité de production en série, leurs faible coefficient de frottement et la possibilité d'être traité tranquillement et sans lubrification externe. Le présent travail concerne une étude expérimentale portant sur les effets des paramètres de coupe sur la rugosité de surface, les efforts de coupe, la puissance de coupe, la pression de coupe et la température dans la zone coupe lors du tournage du polymère Polyoxyméthylène (POM C). Pour cela, un outil de coupe en carbure métallique a été utilisé. Le travail est divisé en trois parties. La première concerne les essais paramétriques (uni-factoriels), où l'évolution des paramètres d'usinage (critères de rugosité, composantes de l’effort de coupe et puissance de coupe, puissance spécifique de coupe et la température dans la zone de coupe) est étudiée en variant la vitesse de coupe, l’avance par tour, la profondeur de passe, l’angle de direction principale de l’outil de coupe et la lubrification. La deuxième partie traite la modélisation des paramètres de sortie : rugosité arithmétique de surface, effort de coupe, puissance de coupe et le débit du coupeau enlevé en utilisant les résultats d'un plan factoriel complet (L27). Deux techniques de modélisation ont été utilisées à savoir la méthode des surfaces de réponse (RSM) et les réseaux de neurones artificiels (ANN). Les résultats obtenus relatifs à deux techniques sont comparés afin de discerner la méthode la plus efficace et précise. La dernière partie du travail est réservée à l’optimisation mono et multi-objective afin de trouver les valeurs optimales des paramètres de coupe par rapport aux objectifs de l’optimisation. Dans ce cadre, trois techniques d’optimisation ont été utilisées : La méthode de Taguchi, la fonction de désirabilité (DF) et l’analyse relationnelle grise (GRA). Les résultats trouvés prouvent que la méthode de Taguchi peut être plus efficace dans le cas d’une seule réponse, par contre les méthodes GRA et DF sont les meilleurs pour l’optimisation multiobjectif.