MétaCan
Menu
Retour à la cohorte
Enregistrement W2766591297 · doi:10.1515/amm-2017-0269

Impact of Cutting Forces and Chip Microstructure in High Speed Machining of Carbon Fiber – Epoxy Composite Tube

2017· article· en· W2766591297 sur OpenAlexaff
Y. Allwin Roy, K. Gobivel, K.S. Vijay Sekar, S. Suresh Kumar

Notice bibliographique

RevueArchives of Metallurgy and Materials · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensImpact
Organismes subventionnairesAll India Council for Technical Education
Mots-clésMachinabilityMachiningMicrostructureMaterials scienceThrustComposite materialChip formationComposite numberDrillingFiberCarbon fiber reinforced polymerTool wearMetallurgyMechanical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Carbon fiber reinforced polymeric (CFRP) composite materials are widely used in aerospace, automobile and biomedical industries due to their high strength to weight ratio, corrosion resistance and durability. High speed machining (HSM) of CFRP material is needed to study the impact of cutting parameters on cutting forces and chip microstructure which offer vital inputs to the machinability and deformation characteristics of the material. In this work, the orthogonal machining of CFRP was conducted by varying the cutting parameters such as cutting speed and feed rate at high cutting speed/feed rate ranges up to 346 m/min/ 0.446 mm/rev. The impact of the cutting parameters on cutting forces (principal cutting, feed and thrust forces) and chip microstructure were analyzed. A significant impact on thrust forces and chip segmentation pattern was seen at higher feed rates and low cutting speeds.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,427
Score d'incertitude au seuil0,386

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,006
Tête enseignante GPT0,243
Écart entre enseignants0,237 · 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'étudeExpérimental (laboratoire)
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

Citations12
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArchives of Metallurgy and MaterialsMême sujetAdvanced machining processes and optimizationTravaux en français237 207