Artificial neural network and regression modelling to study the effect of reinforcement and deformation on volumetric wear of red mud nano particle reinforced aluminium matrix composites synthesized by stir casting

Abstract

Copyright © 2018 The Author(s). Artificial neural network (ANN) approach was used for the prediction of effect of reinforcement and deformation on volumetric wear of red mud nano particle reinforced aluminium matrix composites synthesized by stir casting. Red mud obtained from alumina processing industry was milled in a high energy ball mill and the particle size was reduced to 40 nm in 30 h. Sliding wear characteristics of the composites were evaluated on pin on disc wear tester at different loads of 10 N, 20 N and 30 N and sliding speeds of 200, 400, and 600 RPM. The wear rate of the composite was decreased with increase in weight fraction of red mud up to 10% and beyond that the wear rate was increased. The interfacial area between the matrix and the reinforcement increases with increase in red mud volume fraction, leading to increase in strength and wear resistance. Mathematical regression model and ANN model have been developed to predict theoretical wear rate of the composite and observed that ANN predictions have excellent agreement with measured values than other models. Thus, the prediction of wear rate of the nano composites using artificial neural network before actual manufacture will considerably saves the project time, effort and cost. Resumen Se utilizó el método de red neuronal artificial (RNA) para predecir el efecto del refuerzo y la deformación sobre el desgaste volumétrico de los materiales compuestos de matriz de aluminio reforzada con nanopartículas de barro rojo sintetizados por agitación. El barro rojo obtenido de la industria de procesamiento de alúmina se molió en un molino de bolas de alta energía y el tamaño de la partícula se redujo a 40 nm en 30 h. Las características de desgaste de los materiales compuestos se evaluaron en los probadores pin-on-disk de desgaste en diferentes cargas de 10N, 20N y 30N, y velocidades de deslizamiento de 200, 400 y 600 rpm. El índice de desgaste del material compuesto se redujo con el aumento en la fracción de peso del barro rojo hasta el 10% y por encima de este, de manera que el índice de desgaste aumentó. El área interfacial entre la matriz y el refuerzo aumenta con el incremento de la fracción volumétrica del barro rojo, lo que produce un aumento de la fuerza y la resistencia al desgaste. El modelo de regresión matemática y el modelo de RNA se desarrollaron para predecir el índice de desgaste teórico del material compuesto y se observó que las predicciones de la RNA están en excelente acuerdo con los valores medidos si se los compara con otros modelos. Por tanto, la predicción del índice de desgaste de los nanocompuestos cuando se utiliza red neural artificial antes de la fabricación real ahorrará considerablemente tiempo, esfuerzo y coste al proyecto.