MétaCan
Menu
Retour à la cohorte
Enregistrement W2804750031 · doi:10.5772/intechopen.72394

Numerical Simulation of Residual Stresses in Welding and Ultrasonic Impact Treatment Process

2018· book-chapter· en· W2804750031 sur OpenAlexaff
Lanqing Tang, Ayhan Ince, Jing Zheng

Notice bibliographique

RevueInTech eBooks · 2018
Typebook-chapter
Langueen
DomaineEngineering
ThématiqueSurface Treatment and Residual Stress
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésResidual stressWeldingMaterials scienceResidualProcess (computing)Ultrasonic sensorStructural engineeringComposite materialAcousticsEngineeringComputer scienceAlgorithmPhysics

Résumé

récupéré en direct d'OpenAlex

Welding technology is considered as a reliable and efficient joining method, which has been widely used in almost all the industry departments. Detrimental factors induced by welding such as micro-cracks/flaws, tensile residual stresses, high stress concentration may degrade the mechanical and fatigue properties of weld joints. Ultrasonic impact treatment (UIT) is considered one of the most efficient post-weld treatment which could improve the fatigue performance of weld joints. In this study, the effect of the UIT on residual stress distribution of 304L weld joints was particularly investigated. FE analysis simulation and the XRD experiment were performed to predict and measure residual stresses of both as-welded and the UIT-treated joints. Compared results show that simulated stresses are in good agreement with the experimental results along various paths, confirming the validity of welding model. The UIT introduces a compressive residual stress layer with depth between 2 and 3 mm near the impacting surface of weld joint.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,936
Score d'incertitude au seuil1,000

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 Opus0,022
Tête enseignante GPT0,287
Écart entre enseignants0,265 · 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.

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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInTech eBooksMême sujetSurface Treatment and Residual StressTravaux en français237 207