MétaCan
Menu
Retour à la cohorte
Enregistrement W1567387139

3D FE analysis of shot peening of strain-rate sensitive materials accounting for multiple and repeated impingement

2013· article· en· W1567387139 sur OpenAlexaff
S. A. Meguid, Fan Yang

Notice bibliographique

RevueVirtual Community of Pathological Anatomy (University of Castilla La Mancha) · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueSurface Treatment and Residual Stress
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésShot peeningFinite element methodMaterials sciencePeeningResidual stressSolverStiffnessStrain rateStructural engineeringMechanicsRate of convergenceComposite materialComputer scienceMathematicsEngineeringMathematical optimizationPhysics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper is devoted to the investigation of the shot-peening process using 3D finite element (FE) model of multiple impingement. In this analysis, we implement a novel ‘‘symmetry cell’’ approach to examine the impact effect of a large number of rigid and deformable shots on a high-strength steel target made from AISI 4340. Dynamic elasto-plastic simulations were conducted using a rate sensitive material model. A number of convergence tests, which account for element size and stiffness of contact elements, were carried out. In addition, efforts were devoted to determine the appropriate material damping parameters needed to dampen unwanted numerical oscillations associated with the explicit solver of LS-DYNA for this class of problems. The model was used to predict the effect of peening coverage upon the mechanically induced residual stress field for rate sensitive materials under multiple and repeated impacts.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,801
Score d'incertitude au seuil0,633

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,026
Tête enseignante GPT0,228
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVirtual Community of Pathological Anatomy (University of Castilla La Mancha)Même sujetSurface Treatment and Residual StressTravaux en français237 207