MétaCan
Menu
Retour à la cohorte
Enregistrement W2783158144 · doi:10.1115/imece2017-72406

Creep Modeling of Polyvinyl Chloride Bolted Flange Joints

2017· article· en· W2783158144 sur OpenAlexaff
Zijian Zhao, Rahul Palaniappan Kanthabhabha Jeya, Abdel‐Hakim Bouzid

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Structural Analysis Methods
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésFlangeCreepMaterials sciencePolyvinyl chlorideComposite materialJoint (building)Structural engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Alike other polymer material, PolyVinyl Chloride (PVC) shows a clear creep behavior, the rate of which is influenced by temperature, load and time. Polyvinyl chloride bolted flange joints undergo relaxation under compression for which the material creep properties are different than those under tension. Since the sealing capacity of a flanged gasketed joint is impacted by the amount of relaxation that takes place, it is important to properly address and predict the relaxation behavior due to flange creep under compression and reduce the chances of leakage failure of PVC flange joints. The main objective is study the creep behavior of PVC flanges under the influence of normal operating conditions. This is achieved by developing a PVC creep model based on creep test data under various compressive load, temperature and time. A simulation of a PVC flange relaxation behavior bot numerically and experimentally is conducted on an NPS 3 class 150 bolted flange joint of dissimilar materials one made of PVC material and the other one by steel SA105. The study also provides a clear picture on how the compression creep data on Ring specimen may be utilized for predicating the flange performance under various operating temperatures with time.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,026
Tête enseignante GPT0,266
Écart entre enseignants0,240 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEngineering Structural Analysis MethodsTravaux en français237 207