MétaCan
Menu
Retour à la cohorte
Enregistrement W2101953908 · doi:10.1177/0309324713493082

A comparison of the effect of riveting and cold expansion on the strain distribution and fatigue performance of fiber metal laminates

2013· article· en· W2101953908 sur OpenAlexaff
David Bäckman, Eann A. Patterson

Notice bibliographique

RevueThe Journal of Strain Analysis for Engineering Design · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical Behavior of Composites
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésRivetMaterials scienceDigital image correlationStructural engineeringInterference fitComposite materialJoint (building)Stress (linguistics)Compression (physics)Stress concentrationEngineeringFracture mechanics

Résumé

récupéré en direct d'OpenAlex

Fatigue tests carried out on three configurations (unexpanded, cold expanded and riveted) of fiber metal laminate material clearly demonstrated the beneficial effect of riveting compared to cold expansion in zero load transfer joints, for an approximately equivalent level of interference. Digital image correlation was used to measure the in-plane surface strain on cold expanded and riveted coupons during fatigue loading, and for the first time, digital image correlation was combined with pressure sensitive films to measure the strains resulting from the application of the rivet, including those under the rivet head. A comparison of the resultant strain field showed that the application of a rivet significantly reduces the stress concentration at the central hole and is effective in extending fatigue life. Some rivet heads were removed by milling, and the results from subsequent fatigue tests were used together with closed-form calculations to explain the findings of this study. It was concluded that the beneficial effect of riveting was less as a result of interference hole filling on the part of the rivet shank, but more a combination of the effect of interference and compression through the joint thickness.

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 enseignants0,001
Score d'incertitude au seuil0,004

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)0,0010,000

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 Opus0,020
Tête enseignante GPT0,245
Écart entre enseignants0,225 · 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

Citations7
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Strain Analysis for Engineering DesignMême sujetMechanical Behavior of CompositesTravaux en français237 207