MétaCan
Menu
Retour à la cohorte
Enregistrement W2133297082 · doi:10.1088/0964-1726/24/6/065018

An accurate technique for pre-yield characterization of MR fluids

2015· article· en· W2133297082 sur OpenAlexaff
Mehdi Eshaghi, Subhash Rakheja, Ramin Sedaghati

Notice bibliographique

RevueSmart Materials and Structures · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueVibration Control and Rheological Fluids
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésMagnetorheological fluidMaterials scienceBeam (structure)Shear modulusFinite element methodMagnetic fieldYield (engineering)ModulusMagnetMechanicsComposite materialStructural engineeringPhysicsMechanical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

This study is concerned with the characterization of two types of magnetorheological (MR) fluids (MR 122EG and MR 132DG) in the pre-yield region. A phenomenological model is proposed for characterizing the complex shear modulus of the MR fluids as a function of both the magnetic flux density and the excitation frequency using the experimental data acquired for both the fluids. The experiments were conducted with a sandwich beam structure with an aluminum face layer and MR fluid as the core layer. A nearly uniform magnetic field was applied across the sandwich beam using two ceramic permanent magnet bars. The frequency response characteristics of the sandwich cantilevered beam were subsequently measured under harmonic excitations swept in the 0 to 500 Hz frequency range considering different densities of the applied magnetic flux, ranging from 0 to 90 mT. Dynamic responses of the structure were also obtained through analysis of a finite element (FE) model developed using the classical plate theory. The frequency and field-dependent complex shear moduli of the two MR fluids were identified from both the experimental data and the FE model results. The validity of the proposed methodology is demonstrated by comparing the FE model results with the experimental data for a copper sandwich structure comprising the two MR fluids.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,016
Tête enseignante GPT0,245
Écart entre enseignants0,229 · 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

Citations32
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmart Materials and StructuresMême sujetVibration Control and Rheological FluidsTravaux en français237 207