Optimização da maquinagem do PEEK e seus compósitos PEEK/CF30 e PEEK/GF30

Abstract

Sendo o PEEK (poli-éter-éter-cetona) um termoplástico de Engenharia de última geração que apresenta excelentes propriedades físicas/mecânicas, tem a possibilidade de ser aplicado simples ou compósito nos mais variados tipos de componentes das indústrias (automóvel, aeronáutica, aeroespacial, nuclear, transportes, petrolífera, médica, biomédica, e outras). Este presente trabalho pretende mostrar a sua aptidão para ser processado através da maquinagem convencional por arranque de apara (torneamento, fresagem e furação). Verificou-se que a maquinagem do PEEK e seus compósitos PEEK/CF30 e PEEK/GF30, obrigou à utilização de ferramentas diamantadas com geometrias especiais e parâmetros de corte apropriados. Na maquinagem em corte ortogonal destes três materiais, em virtude dos diferentes tipos de apara obtidos, pôde ser aplicado o modelo de Merchant. Igualmente, utilizando o corte ortogonal, foi possível desenvolver uma Rede Neuronal Artificial (RNA) que aponta para a modelação eficiente de um conjunto de condições de maquinagem dos materiais compósitos com matriz de PEEK. A aprendizagem supervisionada da RNA baseou-se num Algoritmo Genético (AG) suportado por uma estratégia elitista. Os resultados obtidos mostram que a pesquisa evolucionária é uma boa opção, quando se associa o processo de optimização à aprendizagem supervisionada. Na maquinabilidade dos três materiais, as menores forças de corte ocorrem para o PEEK seguido do PEEK/GF30, sendo mais elevadas para o PEEK/CF30. Quanto às rugosidades nas superfícies obtidas, elas são menores para o PEEK seguidas do PEEK/CF30, enquanto que o PEEK/GF30 apresenta os valores mais elevados. Nas operações de fresagem e furação verificou-se que a utilização de ferramentas com geometrias especiais é um factor importante para se obterem forças de corte optimizadas e superfícies com bom acabamento.

Being PEEK (poli-ether-ether-ketona) a last generation engineering thermoplastic which has excellent physical/mechanical properties, it can be used both simple and composite in several varied sorts of components in automobile, aeronautical, aerospatial, nuclear, transportation, oil, medical, biomedical, and other industries. This present research intends to show its capability for being processed through conventional machining by taking off chip (turning, milling and drilling). It has been observed that the machining of PEEK and its composites PEEK/CF30 and PEEK/GF30, required the use of diamond tools with especial geometries and proper cutting parameters. For the machining in orthogonal cutting of these three types of materials, it was possible to use the Merchant model, due to the different sorts of chips acquired. Likewise, using the orthogonal cutting it was possible to develop an Artificial Neural Network (RNA) which leads to the efficient moulding of a series of machining conditions of composites materials with a PEEK matrix. The supervisioned learning RNA is based on a Genetic Algorithm (AG) supported by an elitist strategy. The results obtained show that, when the optimization process is linked to the supervisioned learning, the evolutionary research is a good option. In the machinability of these three materials, the lowest cutting forces occur for PEEK, then for PEEK/GF30, being the highest values for PEEK/CF30. In what concerns the roughness on the surfaces obtained, PEEK has the lowest values, followed by PEEK/CF30 and while PEEK/GF30 presents the highest values. By milling and drilling, it has been observed that the use of tools with special geometries is an important factor to get optimized cutting forces and a good surface finish.