MétaCan
Menu
Retour à la cohorte
Enregistrement W2019289630 · doi:10.1115/pvp2006-icpvt-11-93665

Non-Uniform Pressure Distribution in Draw-Bend Friction Test and a New Methodology to Determine Non-Constant Friction Coefficient From the Test

2006· article· en· W2019289630 sur OpenAlexaff
Young Seok Kim, Mukesh Jain, Don R. Metzger

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical stress and fatigue analysis
Établissements canadiensAtomic Energy (Canada)McMaster University
Organismes subventionnairesnon disponible
Mots-clésConstant (computer programming)MechanicsFriction coefficientMaterials scienceFinite element methodCoefficient of frictionRange (aeronautics)Structural engineeringEngineeringComposite materialComputer sciencePhysics

Résumé

récupéré en direct d'OpenAlex

Friction under lubricated conditions is known to depend on pressure, and experimental determination of this dependence has typically quantified pressure as an average value over the contact area. However, non-uniform pressure distributions at the contact interfaces of draw-bend tests have been reported from various experiments and simulations. A previous study by the authors has evaluated the current methodology, which assumes uniform pressure distribution to estimate friction coefficients from draw-bend friction tests, and has concluded that the current methodology is only valid for measuring an average friction coefficient over the pressure range, which exists in the specific draw-bend system. In this paper, a new methodology to extract non-constant friction coefficients from draw-bend friction tests is suggested. In the methodology, contact pressure maps obtained from simulations, instead of the uniform pressure assumption, are included in the analysis of test data to measure the pressure dependency of friction coefficient. The methodology is tested by applying the method to back predict the input friction data from finite element simulation results of draw-bend friction tests, in which non-constant friction models are used as friction input.

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)0,000
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,809
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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 Opus0,025
Tête enseignante GPT0,241
Écart entre enseignants0,216 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMechanical stress and fatigue analysisTravaux en français237 207