Minimizing uncertainty in cure modeling for composites manufacturing
Notice bibliographique
Résumé
The degree of cure and temperature are consistent variables used in models to describe the state of material behaviour development for a thermoset during cure. Therefore, the validity of a cure kinetics model is an underlying concern when combining several material models to describe a part forming process, as is the case for process modeling. The goals of this work are to identify sources of uncertainty in the decision-making process from cure measurement by differential scanning calorimeter (DSC) to cure kinetics modeling, and to recommend practices for reducing uncertainty. Variability of cure kinetics model predictions based on DSC measurements are investigated in this work by a study on the carbon-fiber-reinforced-plastic (CFRP) T800H/3900-2, an interlaboratory Round Robin comparison of cure studies on T800H/3900-2, and a literature review of cure models for Hexcel 8552. It is shown that variability between model predictions can be as large as 50% for some process conditions when uncertainty goes unchecked for decisions of instrument quality, material consistency, measurement quality, data reduction and modeling practices. The variability decreases to 10% when all of the above decisions are identical except for the data reduction and modeling practices. In this work, recommendations are offered for the following practices: baseline selection, balancing heats of reaction, comparing data over an extensive temperature range (300 K), choosing appropriate models to describe a wide range of behaviour, testing model reliability, and visualization techniques for cure cycle selection. Specific insight is offered to the data reduction and analysis of thermoplastic-toughened systems which undergo phase separation during cure, as is the case for T800H/3900-2. The evidence of phase separation is a history-dependent Tg-α relationship. In the absence of a concise outline of best practices for cure measurement by DSC and modeling of complex materials, a list of guidelines based on the literature and the studies herein is proposed.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».