Mathematical analysis of the titanium alloy surface profile under various modes of electromechanical treatment

Cover Page

Cite item

Full Text

Abstract

Introduction. Currently, many mathematical approaches exist for approximating surface profile curves. Most employ volumetric mathematical expressions to describe surface profile parameters after various types of processing. Purpose of the work is to select a mathematical apparatus that is simple enough from an engineering perspective to approximate the surface profile of VT22 titanium alloy samples after surface plastic deformation (SPD) and various electromechanical processing (EMP) modes, with the possibility of eliminating random technological errors. The paper investigates the effect of EMP modes using alternating and direct current at densities of 100, 300, and 600 A/mm2, considering both the application of force by the deforming tool-electrode (150 N) and its absence (10 N), on the surface geometry of VT22 titanium alloy samples. The electromechanical processing of metal alloys used in this work can significantly change the geometric profile, structure, and operational properties of the surface. Its distinctive feature is the creation of both microdeviations (roughness) and macrodeviations and relief (waviness, “oil pockets”, build-ups from metal surfacing to the repair size) on the surface. Research methods. Profilometric analysis was performed using a PM-7 device, followed by processing of the roughness measurement results using the fast Fourier transform (FFT) on the surface of a cylindrical sample made of VT22 titanium alloy with a diameter of 16 mm after electromechanical rolling with an tool-electrode, previously subjected to semi-finish turning. The error of the model curves of the surface profile was estimated using the Pearson correlation coefficient (R). Results and discussion. The use of high-density direct current helps to obtain a surface with a high relative support length of the profile (98.8%), a low arithmetic mean deviation of the profile (1.9 μm), and an average step of profile irregularities (56 μm). Based on the FFT, the considered modes of electromechanical processing contribute to the formation of profile waviness with different pitch and height. The greatest correlation is observed for modes 2, 4, and 9 (R > 0.7), while the lowest correlation coefficient was noted for EMP with a direct current density of 100 and 300 A/mm2 (modes 5 and 6, R < 0.25).

About the authors

Mikhail D. Romanenko

Volgograd State Technical University

Author for correspondence.
Email: romanenko.mihail2009@yandex.ru
ORCID iD: 0000-0002-4800-7151
SPIN-code: 3290-7190
Scopus Author ID: 57209329802
ResearcherId: GNP-5426-2022
https://www.vstu.ru/university/personalii/romanenko_mikhail_dmitrievich/

Ph.D. (Engineering)

Russian Federation, 400005, Russian Federation, Volgograd, 28 Lenin Avenue

Igor N. Zakharov

Volgograd State Technical University

Email: 4zaxap@gmail.com
ORCID iD: 0000-0001-7177-7245
SPIN-code: 8194-3649
Scopus Author ID: 7202049526
ResearcherId: M-8437-2013
https://www.vstu.ru/university/personalii/zakharov_igor_nikolaevich/

D.Sc. (Engineering), Associate Professor

Russian Federation, 400005, Russian Federation, Volgograd, 28 Lenin Avenue

Vyacheslav P. Bagmutov

Volgograd State Technical University

Email: sopromat@vstu.ru
ORCID iD: 0000-0003-3648-8450
SPIN-code: 1691-2822
Scopus Author ID: 6603555304

D.Sc. (Engineering), Professor

Russian Federation, 400005, Russian Federation, Volgograd, 28 Lenin Avenue

Vladislav V. Barinov

Volgograd State Technical University

Email: barinov@vstu.ru
ORCID iD: 0000-0001-9400-7366
SPIN-code: 1364-1834
Scopus Author ID: 57216800433

Senior Engineer

Russian Federation, 400005, Russian Federation, Volgograd, 28 Lenin Avenue

Minh Tuong Nguyen

Russian Technological University MIREA

Email: nguen_m@mirea.ru
ORCID iD: 0009-0004-7484-7009
SPIN-code: 6194-5190
ResearcherId: MCI-9439-2025

Ph.D. (Engineering)

Russian Federation, 119454, Russian Federation, Moscow, 78 Vernadsky Avenue

References

  1. Хейфец М.Л., Грецкий Н.Л., Премент Г.Б. Технологическое наследование эксплуатационных параметров качества в жизненном цикле деталей двигателя внутреннего сгорания // Наукоемкие технологии в машиностроении. – 2019. – № 7 (97). – С. 35–42. – doi: 10.30987/article_5cf7bd2fec77a9.13115279.
  2. Аверченков В.И., Васильев А.С., Хейфец М.Л. Технологическая наследственность при формировании качества изготавливаемых деталей // Наукоемкие технологии в машиностроении. – 2018. – № 10 (88). – С. 27–32.
  3. Optimization of subtractive-transformative hybrid processes supported by the technological heredity concept / W. Grzesik, K. Zak, R. Chudy, M. Prazmowski, J. Malecka // CIRP Annals. – 2019. – Vol. 68 (1). – P. 101–104. – doi: 10.1016/j.cirp.2019.03.005.
  4. Влияние фазового состава титановых сплавов на параметры шероховатости, получаемые в процессе проволочной электроэрозионной обработки / А.А. Федоров, Ю.Е. Жданова, А.В. Линовский, Н.В. Бобков, Ю.О. Бредгауэр // Омский научный вестник. – 2021. – № 4 (178). – С. 18–24. – doi: 10.25206/1813-8225-2021-178-18-24.
  5. Мураткин Г.В., Сарафанова В.А. Влияние технологической наследственности напряженно-деформированного состояния на точность нежестких деталей // Проблемы машиностроения и надежности машин. – 2020. – № 1. – С. 56–64. – doi: 10.31857/S0235711920010095.
  6. Microstructure evolution and electroplasticity in Ti64 subjected to electropulsing-assisted laser shock peening / H. Zhang, Z. Ren, J. Liu, J. Zhao, Z. Liu, D. Lin, R. Zhang, M.J. Graber, N.K. Thomas, Z.D. Kerek, G.-X. Wang, Y. Dong, C. Ye // Journal of Alloys and Compounds. – 2019. – Vol. 802. – P. 573–582. – doi: 10.1016/j.jallcom.2019.06.156.
  7. Электромеханическое упрочнение металлов и сплавов / В.П. Багмутов, С.Н. Паршев, Н.Г. Дудкина, И.Н. Захаров, А.Н. Савкин, Д.С. Денисевич. – Волгоград: ВолгГТУ, 2016. – 460 с.
  8. Аскинази Б.М. Упрочнение и восстановление деталей машин электромеханической обработкой. – 3-е изд., перераб. и доп. – М.: Машиностроение, 1989. – 200 с.
  9. Sensitivity of material failure to surface roughness: A study on titanium alloys Ti64 and Ti407 / S. Sneddon, Y. Xu, M. Dixon, D. Rugg, P. Li, D.M. Mulvihill // Materials & Design. – 2021. – Vol. 200. – P. 109438. – doi: 10.1016/j.matdes.2020.109438.
  10. Overview of surface modification techniques for titanium alloys in modern material science: A comprehensive analysis / K. Gao, Y. Zhang, J. Yi, F. Dong, P. Chen // Coatings. – 2024. – Vol. 14 (1). – P. 148. – doi: 10.3390/coatings14010148.
  11. Enhancement of the microstructure and fatigue crack growth performance of additive manufactured titanium alloy parts by laser-assisted ultrasonic vibration processing / S.A. Ojo, K. Manigandan, G.N. Morscher, A.L. Gyekenyesi // Journal of Materials Engineering and Performance. – 2024. – Vol. 33. – P. 10345–10359. – doi: 10.1007/s11665-024-09323-8.
  12. Amanov A., Yeo I.K., Jeong S.H. Advanced post-processing of Ti6Al4V alloy fabricated by selective laser melting: A study of laser shock peening and ultrasonic nanocrystal surface modification // Journal of Materials Research and Technology. – 2025. – Vol. 35. – P. 4020–4031. – doi: 10.1016/j.jmrt.2025.02.038.
  13. Application of ultrasonic nanocrystal surface modification (UNSM) technique for surface strengthening of titanium and titanium alloys: A mini review / R. Liu, S. Yuan, N. Lin, Q. Zeng, Z. Wang, Y. Wu // Journal of Materials Research and Technology. – 2021. – Vol. 11. – P. 351–377. – doi: 10.1016/j.jmrt.2021.01.013.
  14. Effect of surface roughness on fatigue strength of Ti-6Al-4V alloy manufactured by additive manufacturing / M. Nakatani, H. Masuo, Y. Tanaka, Y. Murakami // Procedia Structural Integrity. – 2019. – Vol. 19. – P. 294–301. – doi: 10.1016/j.prostr.2019.12.032.
  15. Civiero R., Perez-Rafols F., Nicola L. Modeling contact deformation of bare and coated rough metal bodies // Mechanics of Materials. – 2023. – Vol. 179. – P. 104583. – doi: 10.1016/j.mechmat.2023.104583.
  16. Han T., Fan J. Ultrasonic measurement of contact stress at metal-to-metal interface based on a real rough profile through modeling and experiment // Measurement. – 2023. – Vol. 217. – P. 113046. – doi: 10.1016/j.measurement.2023.113046.
  17. A novel comprehensive framework for surface roughness prediction of integrated robotic belt grinding and burnishing of Inconel 718 / B. Qi, X. Huang, W. Guo, X. Ren, H. Chen, X. Chen // Tribology International. – 2024. – Vol. 195. – P. 109574. – doi: 10.1016/j.triboint.2024.109574.
  18. Influence factors and prediction model of surface roughness in single-point diamond turning of polycrystalline soft metal / Z. Xue, M. Lai, F. Xu, F. Fang // Journal of Materials Processing Technology. – 2024. – Vol. 324. – P. 118256. – doi: 10.1016/j.jmatprotec.2023.118256.
  19. Modeling of surface hardening and roughness induced by turning AISI 4140 QT under different machining conditions / B. Stampfer, J. Bachmann, D. Gauder, D. Böttger, M. Gerstenmeyer, G. Lanza, B. Wolter, V. Schulze // Procedia CIRP. – 2022. – Vol. 108. – P. 293–298. – doi: 10.1016/j.procir.2022.03.050.
  20. Roughness prediction model of milling noise-vibration-surface texture multi-dimensional feature fusion for N6 nickel metal / S. Li, S. Li, Z. Liu, A.V. Petrov // Journal of Manufacturing Processes. – 2022. – Vol. 79. – P. 166–176. – doi: 10.1016/j.jmapro.2022.04.055.
  21. An acoustic dataset for surface roughness estimation in milling process / N.R. Sakthivel, J. Cherian, B.B. Nair, A. Sahasransu, L.N.V.P. Aratipamula, S.A. Gupta // Data in Brief. – 2024. – Vol. 57. – P. 111108. – doi: 10.1016/j.dib.2024.111108.
  22. Surface roughness prediction based on fusion of dynamic-static data / J. Wang, X. Wu, Q. Huang, Q. Mu, W. Yang, H. Yang, Z. Li // Measurement. – 2025. – Vol. 243. – P. 116351. – doi: 10.1016/j.measurement.2024.116351.
  23. Features of changes in the surface structure and phase composition of the of α + β titanium alloy after electromechanical and thermal treatment / V.P. Bagmutov, V.I. Vodopyanov, I.N. Zakharov, A.Y. Ivannikov, A.I. Bogdanov, M.D. Romanenko, V.V. Barinov // Metals. – 2022. – Vol. 12 (9). – P. 1535. – doi: 10.3390/met12091535.
  24. The improved fault location method based on natural frequency in MMC-HVDC grid by combining FFT and MUSIC algorithms / J. He, B. Li, Q. Sun, Y. Li, H. Lyu, W. Wang, Z. Xie // International Journal of Electrical Power & Energy Systems. – 2022. – Vol. 137. – P. 107816. – doi: 10.1016/j.ijepes.2021.107816.
  25. Федоров В.Л. Критерий определения числа гармоник рядов Фурье, аппроксимирующих напряжения и токи трансформатора // Омский научный вестник. – 2018. – № 5 (161). – С. 82–89. – doi: 10.25206/1813-8225-2018-161-82-89.
  26. Конспект лекций по дисциплине «Основы восстановления деталей и ремонт автомобилей» / сост. Г.В. Мураткин. – Тольятти: ТГУ, 2008. – 120 с.
  27. Малышко С.Б., Тарасов В.В. Влияние технологических параметров электромеханической обработки на шероховатость поверхности // Проблемы транспорта Дальнего Востока: доклады тринадцатой научно-практической конференции с международным участием. – Владивосток, 2019. – С. 63–65. – EDN TJDMDB.
  28. Учкин П.Г. Применение вибронакатывания гильз цилиндров двигателя внутреннего сгорания с целью увеличения их ресурса // Известия Оренбургского государственного аграрного университета. – 2023. – № 2 (100). – С. 99–105. – doi: 10.37670/2073-0853-2023-100-2-99-105.
  29. Влияние импульсного электромеханического упрочнения на износостойкость подвижных сопряжений / С.Н. Паршев, И.М. Серов, А.В. Зубков, А.В. Коробов // Молодой ученый. – 2015. – № 23 (103), ч. 2. – С. 200–204.
  30. Influence of technological modes of combined high-energy treatment on wear resistance of transition class titanium alloy / V.P. Bagmutov, I.N. Zakharov, M.D. Romanenko, V.V. Barinov, V.V. Tikhaeva // Russian Physics Journal. – 2024. – Vol. 67 (10). – P. 1647–1653. – doi: 10.1007/s11182-024-03294-y.
  31. Manus H. An ultra-precise fast Fourier transform // Science Talks. – 2022. – Vol. 4. – P. 100097. – doi: 10.1016/j.sctalk.2022.100097.
  32. Леонов О.А., Вергазова Ю.Г. Относительная опорная длина профиля поверхности и долговечность деталей // Инновационная наука. – 2016. – № 1-2 (13). – С. 81–83.
  33. Алиев А.А., Булгаков В.П., Приходько Б.С. Качество поверхности и свойства деталей машин // Вестник Астраханского государственного технического университета. – 2004. – № 1 (20). – С. 8–12.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Note

Funding

The study was carried out with financial support from the Russian Science Foundation (project No. 25-29-20241).



Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».