MétaCan
Menu
Retour à la cohorte
Enregistrement W2345344052 · doi:10.1142/s1793962316500264

Modeling study of solid-particle erosion with consideration of particle velocity dependent model parameters

2016· article· en· W2345344052 sur OpenAlexafffund
Kuiying Chen, Rong Liu, Ming Liang

Notice bibliographique

RevueAdvances in Complex Systems · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueErosion and Abrasive Machining
Établissements canadiensCarleton UniversityNational Research Council CanadaUniversity of Ottawa
Organismes subventionnairesNational Research Council CanadaNatural Sciences and Engineering Research Council of Canada
Mots-clésParticle (ecology)Range (aeronautics)BrittlenessParticle velocityMaterials scienceMechanicsErosionParticle sizeDeformation (meteorology)PhysicsStatistical physicsComposite materialGeology

Résumé

récupéré en direct d'OpenAlex

An advanced erosion model that correlates two model parameters—the energies required to remove unit mass of target material during cutting wear and deformation wear, respectively, with particle velocity, particle size and density, as well as target material properties, is proposed. This model is capable of predicting the erosion rates for a material under solid-particle impact over a specific range of particle velocity at the impingement angle between [Formula: see text] and [Formula: see text], provided that the experimental data of erosion rate for the material at a particle velocity within this range and at impingement angles between [Formula: see text] and [Formula: see text] are available. The proposed model is applied on three distinct types of materials: aluminum, perspex and graphite, to investigate the dependence behavior of the model parameters on particle velocity for ductile and brittle materials. The predicted model parameters obtained from the model are validated by the experimental data of aluminum plate under Al2O3 particle impact. The significance and limitation of the model are discussed; possible improvements on the model are suggested.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,054
Tête enseignante GPT0,309
Écart entre enseignants0,255 · 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'étudeSimulation ou modélisation
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

Citations1
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvances in Complex SystemsMême sujetErosion and Abrasive MachiningTravaux en français237 207