MétaCan
Menu
Retour à la cohorte
Enregistrement W2064230212 · doi:10.1115/detc2014-35575

An Approach to Estimate the Detailed Deviation Zone in Coordinate Metrology Using Harmonic Function Properties

2014· article· en· W2064230212 sur OpenAlexafffund
Saeed Jamiolahmadi, Ahmad Barari

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Measurement and Metrology Techniques
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésStandard deviationMetrologyCoordinate-measuring machineSurface (topology)Laplace transformHarmonic meanCompensation (psychology)Point (geometry)Surface metrologyAlgorithmMathematicsComputer scienceMathematical optimizationApplied mathematicsMathematical analysisProfilometerEngineeringGeometryStatisticsMechanical engineeringSurface finish

Résumé

récupéré en direct d'OpenAlex

Understanding the exact details of deviation zone related to a manufactured surface needs measurement of infinite number of points. Coordinate metrology provides deviation of the limited number of discrete points on a measured surface, but typically it is not capable to explore any information of the surface regions between these measured points. An approach to estimate the Distribution of Geometric Deviations (DGD) on the entire inspected surface is presented in this paper. The methodology is developed based on estimation of mean value property of the harmonic functions and Laplace equation. The resulting DGD model can be employed to estimate the deviation values at any unmeasured point of the inspected surface when a detailed understanding of the surface geometric deviations is required. Implementation of the developed methodology is described and case studies for typical industrial parts are presented. This methodology can be used for closed-loop of inspection and manufacturing processes when a compensation scheme is available to compensate the manufacturing errors based on the DGD model.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,546
Score d'incertitude au seuil0,321

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,034
Tête enseignante GPT0,271
Écart entre enseignants0,237 · 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
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetAdvanced Measurement and Metrology TechniquesTravaux en français237 207