MétaCan
Menu
Retour à la cohorte
Enregistrement W2564374463 · doi:10.5539/jmsr.v6n1p51

Modeling of the Weld Strength in Spot Weld Using Regression Analysis of the Stress Parameters based on the Simulation Study

2016· article· en· W2564374463 sur OpenAlexvenueno aff
Sachin Patil, Farzad Baratzadeh, Hamid M. Lankarani

Notice bibliographique

RevueJournal of Materials Science Research · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Welding Techniques Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWeldingMaterials scienceTaguchi methodsSpot weldingRegression analysisStructural engineeringStress (linguistics)Orthogonal arrayComposite materialComputer scienceEngineeringMachine learning

Résumé

récupéré en direct d'OpenAlex

To enhance the performance of spot weld joints, various improvement methods are used to strengthen the properties of welded joints. Spot welding process is very well suited for welding of various steels grades. Regression analysis is the statistical modeling technique, and it is suitable for predicting strength of welded joints. It is valuable for quantifying the impact of various loading types upon a spot weld rupture.In the present study quantification of impact strength of spot welded EHSS steel, Mild Steel (DC05) and AHSS (DP780) were carried out, by developing the regression models. The analysis includes Material, Thickness, Test type, Test Speed as process parameters. The complete analysis will be helpful in deciding the best combinations for desired performance characteristics. Taguchi technique revealed that the impact speed is the most significant factor in weld strength followed by thickness and material grade.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,264

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,111
Tête enseignante GPT0,408
Écart entre enseignants0,297 · 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 tête enseignante, 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

Citations7
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Science ResearchMême sujetAdvanced Welding Techniques AnalysisTravaux en français237 207