Void content analysis and processing issues to minimize defects in liquid composite molding
Notice bibliographique
Résumé
This investigation aims to study the impact of key process parameters dealing with the resin impregnation of fibrous reinforcements used in Liquid Composite Molding (LCM). The process parameters are the flow front velocity, the inlet mold pressure and the bleeding flow rate. The experimental setup consists of a computer‐assisted injection system and a Resin Transfer Molding (RTM) mold that allows monitoring the progression of the flow front and study the effects of resin bleeding and applying post‐fill resin pressure during cure (also known as “mold packing”). Three sets of RTM injections were carried out with a vinyl ester resin and a bidirectional 0°/90° E‐glass noncrimp fabrics under (1) constant injection pressure, (2) constant injection flow rate, and (3) bleeding as well as mold packing after filling. The quality of injected parts was evaluated by standard void content analysis based on ASTM burn‐off (D2734) tests. The experimental results are consistent with published data and with predictions of the optimal impregnation velocity obtained from capillary rise tests. This study also shows that the impregnation of fibrous reinforcements in LCM can be improved through various injection strategies, namely monitoring of the flow front velocity and specific post‐filling procedures. POLYM. COMPOS., 40:109–120, 2019. © 2017 Society of Plastics Engineers
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».