Résumé:
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.
