A Predictive Modeling Based on Regression and Artificial Neural Network Analysis of Laser Transformation Hardening for Cylindrical Steel Workpieces
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 hardening is a very promising hardening process for ferrous alloys where transformations occur during cooling after laser heating in the solid state. The characteristics of the hardened surface depend on the physicochemical properties of the material as well as the heating system parameters. To exploit the benefits presented by the laser hardening process, it is necessary to develop an integrated strategy to control the process parameters in order to produce desired hardened surface attributes without being forced to use the traditional and fastidious trial and error procedures. This study presents a comprehensive modelling approach for predicting the hardened surface physical and geometrical attributes. The laser surface transformation hardening of cylindrical AISI 4340 steel workpieces is modeled using the conventional regression equation method as well as artificial neural network method. The process parameters included in the study are laser power, beam scanning speed, and the workpiece rotational speed. The upper and the lower limits for each parameter are chosen considering the start of the transformation hardening and the maximum hardened zone without surface melting. The resulting models are able to predict the depths representing the maximum hardness zone, the hardness drop zone, and the overheated zone without martensite transformation. Because of its ability to model highly nonlinear problems, the ANN based model presents the best modelling results and can predict the hardness profile with good accuracy.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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