MétaCan
Menu
Retour à la cohorte
Enregistrement W2090336407 · doi:10.4271/2014-01-0737

A Methodology for Investigating and Modelling Laser Clad Bead Geometry and Process Parameter Relationships

2014· article· en· W2090336407 sur OpenAlexaff
Kush Aggarwal, Jill Urbanic, Luv Aggarwal

Notice bibliographique

RevueSAE International Journal of Materials and Manufacturing · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser and Thermal Forming Techniques
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)BeadMaterials scienceMechanical engineeringLaserGeometryEngineering drawingMechanicsComputer scienceEngineeringOpticsComposite materialMathematicsPhysics

Résumé

récupéré en direct d'OpenAlex

Laser cladding is a method of material deposition through which a powdered or wire feedstock material is melted and consolidated by use of a laser to coat part of a substrate. Determining the parameters to fabricate the desired clad bead geometry for various configurations is problematic as it involves a significant investment of raw materials and time resources, and is challenging to develop a predictive model. The goal of this research is to develop an experimental methodology that minimizes the amount of data to be collected, and to develop a predictive model that is accurate, adaptable, and expandable. To develop the predictive model of the clad bead geometry, an integrated five-step approach is presented. From the experimental data, an artificial neural network model is developed along with multiple regression equations. A multi-layer perceptron network application is employed which uses a feed forward back propagation network architecture for the overall training process through external data consisting of input (process parameters) and target (shape parameters) values. Once a desired level of network training is achieved, simulation results (predicted shape parameters) are generated for a new input data set within the trained network boundary conditions. Furthermore, a comparison between different approaches to sensitivity analysis (clamping technique and sensitivity index) is presented to illustrate the uncertainty in the outputs of the model in relation to its inputs. Experimental validation is conducted by predicting specific process parameters for unique bead geometry. The predicted and resulting bead geometry values are seen within the 95th percentile accuracy.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,058
Tête enseignante GPT0,290
Écart entre enseignants0,233 · 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'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

Citations7
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE International Journal of Materials and ManufacturingMême sujetLaser and Thermal Forming TechniquesTravaux en français237 207