Bringing Direct Bolt Preload Measurement to the Aerospace Industry
Notice bibliographique
Résumé
Many helicopter components are held together with fastened joints that include threaded bolts. Bolt preload is important for keeping fastened joints from loosening or sliding. In the aerospace industry, bolt preload is typically set by applying a specified torque. Common procedures for clamping a joint include the use of a calibrated torque wrench to apply the specified torque. While a torque wrench will display the torque applied to a clamped bolt assembly, the preload (or bolt tension) must be inferred. However, a significant factor relating applied torque to the acquired bolt tension is the friction between the bolt threads and joint interface. Tension measurement techniques are available in the aerospace industry, but they are not common. A small amount of contamination or lubricant can significantly alter the torque-tension relationship. Under the Future Advanced Rotorcraft Drive Systems (FARDS) agreement, Bell Helicopter, IntellifastTM, and the Army Aviation Development Directorate (ADD) - Aviation Applied Technology Directorate (AATD) developed and tested a technology that directly measures the tension in the bolted flexure joints of a KAFLEX drive shaft coupling. The main purpose of testing was to validate bolt tension measurement to demonstrate the Technology Readiness Level (TRL) suitable for flight test. Testing performed under the FARDS agreement for this new technology included measuring the variation in bolt preload when set to a specific torque and then dynamically testing the joint to simulate flight time. Correlation was obtained between joint movement and the reduction in bolt preload. This paper summarizes the test results and shows the importance of directly measuring bolt preload in a fastened assembly to ensure joint integrity.
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 ».