Notice bibliographique
Résumé
This study engages in the thermal analysis of water jet cooling of a hot moving steel strip on a run-out table. General 3D FE programs are developed for the direct and inverse heat transfer analysis. Studies show that gradient-based inverse algorithms suffer from high sensitivity to measurement noise and instability in small time steps. These two shortcomings limit their application in modeling of the real problems. Artificial neural network (ANN), genetic algorithm (GA), and particle swarm optimization (PSO) methods are applied to the inverse heat conduction problem in order to overcome the challenges faced by the gradient-based methods. Among them, GA and PSO are found to be effective. CRPSO, a variation of PSO, shows the best computational performance. However, compared to the gradient-based methods, these algorithms are very slow. Thus, a set of modifications were performed in this research to accelerate their convergence rate. Sequential formulation using the future time steps, multi-objective optimization, and inexact pre-evaluation using surrogate models are some of these modifications. Inverse analysis of experimental data shows that heat transfer behavior on the plate is mainly a function of the surface temperature, and can be categorized into three zones: High, mid, and low temperature. The effects of jet line configuration, jet line spacing, and plate moving speed were studied. The most uniform distribution happens in the case of fully staggered configuration. In higher jet line distances, the interaction effects become less significant, and a more uniform distribution is observed. The plate speed affects the heat transfer rate under the impingement point for the higher surface temperatures. In the high entry temperatures, the impingement heat transfer rate is lower when the plate is moving at a higher velocity. The plate speed does not significantly change the heat transfer behavior in the parallel flow zone. Finally, the results of the heat transfer analysis were coupled with the microstructure and structure fields, to study the thermal stresses and deflection occurring in the strips during the cooling process. It was found that fully-staggered jet configuration, larger spacing between jet lines, and lower plate speeds result in a less deformed steel strip.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».