THERMOSETTING MATRIX COMPOSITE CHARACTERIZATION AND CURE CONTROL VIA A SCALE MODEL MOULD
Notice bibliographique
Résumé
The main restriction for the widespread use of composites in many practical applications remains their prohibitive manufacturing costs. However, the development of new liquid composite moulding (LCM) processes brought an opportunity to significantly reduce these manufacturing costs. In order to successfully control composite manufacturing, an accurate material characterization and a close curing control of the composite are required. However, traditional characterization tools such as differential scanning calorimeter (DSC) didn’t succeed really well in generating a macroscopic modeling that reflects the real resin-reinforcement behaviour, in an industrial context of LCM manufacturing. Moreover, this equipment is usually too costly and out of reach for small businesses that only wish to characterize their resin batches before production and to monitor their ageing. Thus this article described a low-cost characterization and control tool for the curing of composites which is robust and non-intrusive. This tool, using thermal heat flow sensors, is able to emulate, on a reduced scale model, the thermal phenomena which take place during the curing stage of composites, inside a real industrial mould. Furthermore, this characterization tool can provide good insights on resin and composite thermo-physical and thermo-kinetic properties. First of all, a description of the experimental set-up employed will be carried out. Then, the selected characterization and temperature control strategies will be detailed. Finally, a numerical validation of these strategies, using the finite volume method, will be presented.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».