MétaCan
Menu
Retour à la cohorte
Enregistrement W2800473945 · doi:10.6000/1927-5129.2018.14.14

Optimization of Surface Roughness and MRR in Powder Mix EDM Die-Sink for Inconel 718 using RSM

2018· article· en· W2800473945 sur OpenAlexvenueno aff
Maksumul Haq, Salman Hussain, Wasim Ahmad, Mirza Jahanzaib, Waseem Iqbal, Saira Shehzadi

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Machining and Optimization Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSurface roughnessInconelResponse surface methodologyElectrical discharge machiningMaterials scienceDie (integrated circuit)MachiningSurface finishDesign of experimentsMetallurgyComposite materialMathematicsNanotechnology

Résumé

récupéré en direct d'OpenAlex

Product quality depends on the surface quality of the machined part and machining performance relay on the production rate of the process. Whereas surface quality of a part is based on surface roughness (SR) and production rate depend on the material removal rate (MRR). Minimum surface roughness and maximum MRR are of great value in the field of manufacturing. In powder mix Electrical Discharge Machined (EDM) selection of input parameters and their ranges are of great value because its helps to achieve the optimize values of the SR and MRR. This study contains the effect of four input variables; pulse on time (Pon), discharge current (DC), pulse off time (Poff) and powder concentration of EDM on SR and MRR of Inconel 718. Response Surface Methodology (RSM) center composite design (CCD) and Analysis of Variance (ANOVA) are used with 5% significant coefficient. It was observed that DC significantly affects the SR and MRR followed by the Pon.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
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)0,0010,000

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 Opus0,020
Tête enseignante GPT0,280
Écart entre enseignants0,260 · 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'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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetAdvanced Machining and Optimization TechniquesTravaux en français237 207