MétaCan
Menu
Retour à la cohorte
Enregistrement W2066299645 · doi:10.4271/2014-01-0990

Effect of Fiber Laser Welding on the Fatigue Properties of Dissimilar Welded Joints between DP980 and HSLA Steels

2014· article· en· W2066299645 sur OpenAlexafffund
D. Parkes, Qingling Cui, D. Westerbaan, S.S. Nayak, Y. Zhou, Frank Goodwin, Daniel Liu, Sanjiwan Bhole, D.L. Chen

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueWelding Techniques and Residual Stresses
Établissements canadiensTeck (Canada)University of WaterlooToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésWeldingMaterials scienceMetallurgyFiber laserFiberComposite material

Résumé

récupéré en direct d'OpenAlex

Advanced high strength steels (AHSS) such as dual phase (DP) steels are now being extensively used to achieve light weighting goals of vehicles because of their attractive combination of formability and high strength. High strength low alloy (HSLA) steels are also used in lightweight bodies-in-white; DP and HSLA steels are therefore often laser butt-welded together into tailor welded blanks and to create other joints. Among the laser welding processes, fiber laser welding (FLW) has been shown to provide excellent quality welds, including superior weld mechanical properties, at higher speeds than those possible with other laser welding processes. Using dissimilarly welded DP980-HSLA blanks made with different welding parameters, the tensile properties were found to not change in spite of the HSLA being weaker than the soft zone on the DP980 side of the weld. The high heat input weld was found to have more softening in comparison to its base metal (BM) (55 HV versus 46 HV) and less bainite (8% versus 15%) in its FZ in comparison to the low heat input weld. The fatigue properties of the high heat input weld were also found to be better than those of the low heat input weld.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0020,000

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 Opus0,017
Tête enseignante GPT0,240
Écart entre enseignants0,223 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations5
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetWelding Techniques and Residual StressesTravaux en français237 207