With the increasing emphasis on sustainable manufacturing practices, eco-friendly lubricants have gained significant attention to moderate the friction coefficient at the tool-work interface. In line with this, the contemporary study aimed to examine the viability of Alumina-enriched sunflower bio-oil as a metalworking fluid. Different volume fractions of Alumina nanoparticles (varying from 0 to 1 vol%) were mixed with sunflower bio-oil, and the physical properties, for instance, contact angle and dynamic viscosity, were analyzed to determine the optimal concentration of Alumina. Subsequently, machining experiments were executed on Hastelloy C-276 under various lubricating conditions, including dry cutting, compressed air, sunflower bio-oil, and 0.6 vol% Alumina-sunflower bio-oil. A comparative analysis among these lubricating mediums demonstrated that sunflower bio-oil with a 0.6 vol% Alumina concentration outperformed others, resulting in a significant reduction of surface roughness, and tool wear by 73.31%, and 82.14% respectively when compared to dry machining. Besides, the utilization of 0.6 vol% Alumina-sunflower bio-oil has demonstrated a reduction of 17.86% in total machining cost, along with reductions of 15.44% in energy consumption and carbon emissions, when compared to dry machining. Finally, a Taguchi-designed experiment consisting of sixteen trials was performed in different lubricating conditions, and a Fuzzy-Mamdani model was employed to achieve a sustainable machining environment. The sustainability assessment results indicated that a cutting speed of 75 m/min, feed of 0.05 mm/tooth, depth of cut of 0.15 mm, and the utilization of the 0.6 vol% Alumina-sunflower bio-oil resulted in the most sustainable machining environment, with the highest Multi-Performance Characteristics Index of 0.75.

In this study, Al-4.5Cu alloy was reinforced with varying weight percentages of SiC particles (2%, 4%, 6%, and 8%) to create metal matrix composites via the stir casting method. The formation of intermetallic compounds was confirmed through energy dispersive spectroscopy and x-ray diffraction analysis. This article compares the performance of Artificial Neural Network (ANN) and Gene Expression Programming (GEP) models in predicting the Metal Removal Rate (MRR), tool wear rate, and surface roughness in the die-sinking electro-discharge machining (EDM) process of the ex-situ developed Al-4.5%Cu–SiC composites. The study considers three machine parameters—pulse on time (TON), pulse off time (TOFF), and current (I)—along with the weight fraction of SiC particles as input variables for the models. Both ANN and GEP models demonstrated high predictive accuracy for the EDM performance metrics, with correlation coefficients (R) ranging from 0.973 68 to 0.980 65 for the ANN model and 0.980 11 to 0.982 59 for the GEP model. Notably, the GEP model exhibited superior predictive capability, as evidenced by its higher correlation coefficients and lower root mean square error, indicating greater effectiveness in predicting the EDM process outcomes than the ANN model.

Melioidosis is a neglected tropical infection caused by the Gram-negative bacterium Burkholderia pseudomallei, which is found in soil and water across tropical countries. The infection spectrum ranges from mild localized lesions to severe sepsis. The clinical presentation, severity, and outcome are influenced by the route of infection, bacterial load, strain virulence, and specific virulence genes of B. pseudomallei. This case series discusses nine melioidosis cases, highlighting the clinical and diagnostic challenges. It underscores the necessity for a high level of clinical suspicion to ensure a timely diagnosis and the prompt initiation of treatment.