Hardness Profile Prediction for a 4340 Steel Spline Shaft Heat Treated by Laser Using a 3D Modeling and Experimental Validation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Laser surface transformation hardening becomes one of the most effective processes used to improve wear and fatigue resistance of mechanical parts. In this process, the material physicochemical properties and the heating system parameters have significant effects on the characteristics of the hardened surface. To appropriately exploit the benefits presented by the laser surface hardening, it is necessary to develop a comprehensive strategy to control the process variables in order to produce desired hardened surface attributes without being forced to use the traditional and fastidious trial and error procedures. The paper presents a study of hardness profile predictive modeling and experimental validation for spline shafts using a 3D model. The proposed approach is based on thermal and metallurgical simulations, experimental investigations and statistical analysis to build the prediction model. The simulation of the hardening process is carried out using 3D finite element model on commercial software. The model is used to estimate the temperature distribution and the hardness profile attributes for various hardening parameters, such as laser power, shaft rotation speed and scanning speed. The experimental calibration and validation of the model are performed on a 3 kW Nd:Yag laser system using a structured experimental design and confirmed statistical analysis tools. The results reveal that the model can provide not only a consistent and accurate prediction of temperature distribution and hardness profile characteristics under variable hardening parameters and conditions but also a comprehensive and quantitative analysis of process parameters effects. The modelling results show a great concordance between predicted and measured values for the dimensions of hardened zones.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle