Integration of finite element simulation and intelligent methods for evaluation of thermo-mechanical loads during hard turning process
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
The machined surfaces are mainly affected by thermo-mechanical loads during machining processes. In this regard, thermal loads increase tensile residual stress and heat-affected zone; however, mechanical loads increase fatigue strength and compressive residual stress on the machined workpiece during the process. Since experimental investigation is difficult, the problem becomes more difficult if the aim is minimizing thermal loads, while maximizing mechanical loads during the hard turning process. This article presents a hybrid method based on the artificial neural networks, multiobjective optimization, and finite element analysis for evaluation of thermo-mechanical loads during the orthogonal turning of AISI H13-hardened die steel (52HRC). First, using an iterative procedure, controllable parameters of simulation (including contact conditions and flow stress) are determined by comparison between finite element and experimental results from the literature. Then, the results of finite element simulation at the different cutting conditions and tool geometries were employed for training neural networks by genetic algorithm. Finally, the functions implemented by neural networks were considered as objective functions of nondominated genetic algorithm and optimal nondominated solution set were determined at the different states of thermal loads (workpiece temperature) and mechanical loads (workpiece effective strain). Comparison between the obtained results of nondominated genetic algorithm and predicted results of finite element simulation showed that the hybrid technique of finite element method–artificial neural networks–multiobjective optimization provides a robust framework for machining simulation of AISI H13.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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