Application of Fatigue Life Prediction Methods for GMAW Joints in Vehicle Structures and Frames
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">In the North American automotive industry, various advanced high strength steels (AHSS) are used to lighten vehicle structures, improve safety performance and fuel economy, and reduce harmful emissions. Relatively thick gages of AHSS are commonly joined to conventional high strength steels and/or mild steels using Gas Metal Arc Welding (GMAW) in the current generation body-in-white structures. Additionally, fatigue failures are most likely to occur at joints subjected to a variety of different loadings. It is therefore critical that automotive engineers need to understand the fatigue characteristics of welded joints.</div><div class="htmlview paragraph">The Sheet Steel Fatigue Committee of the Auto/Steel Partnership (A/S-P) completed a comprehensive fatigue study on GMAW joints of both AHSS and conventional sheet steels including: DP590 GA, SAE 1008, HSLA HR 420, DP 600 HR, Boron, DQSK, TRIP 780 GI, and DP780 GI steels. Dissimilar metal welds were made between DP590 GA and SAE 1008, DP 600 and SAE 1008, TRIP 780 and SAE 1008, DP 780 and SAE 1008, and Boron and HSLA. Fatigue behavior was evaluated for several different specimen geometries: single lap-shear, double lap-shear, butt weld, start-stop, and perch mount.</div><div class="htmlview paragraph">Currently, many fatigue life prediction methods, such as structural stress approach, hot spot structural stress approach, notch stress approach, and local strain approach, are available to analyze GMAW joints. This study reviews two structural stress methods for fatigue life prediction of the welded joints, and it also assesses the two methods with previous A/S-P Sheet Steel Fatigue Committee fatigue test results.</div></div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».