Identification of Material Constitutive Laws for Machining—Part II: Generation of the Constitutive Data and Validation of the Constitutive Law
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents an integral methodology to obtain a wide range of constitutive data required for the identification of the constitutive equation used in simulating cutting processes. This methodology is based on combining the distributed primary zone deformation (DPZD) model developed in Part I (Shi et al., 2010, ASME J. Manuf. Sci. Eng., 132, p. 051008.) of this study with quasi-static indentation (QSI) tests, orthogonal cutting tests at room temperature (RT) and high temperature. The QSI tests are used to capture the material properties in the quasi-static conditions, which solve the unstable solutions for the coefficients of the constitutive law. The RT cutting tests are designed to fulfill the assumptions embedded in the developed DPZD model in order to provide the distributed constitutive data encountered in the primary shear zone. To capture the material behavior in the secondary shear zone, the orthogonal cutting tests with a laser preheating system are designed to raise the temperature in the primary zone to the level encountered in the secondary zone. As an application of the generated constitutive data, the Johnson–Cook model is identified for Inconel 718. This constitutive law is further validated using high speed split Hopkinson pressure bar tests and orthogonal cutting tests combined with finite element simulations. In comparison with the previous approaches reported in the open literature, the developed DPZD model and methodology significantly improve the accuracy of the simulation results.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle