MétaCan
Menu
Retour à la cohorte
Enregistrement W2885074838 · doi:10.1111/ffe.12905

Isotropic‐kinematic hardening framework to assess ratcheting response of steel samples undergoing asymmetric loading cycles

2018· article· en· W2885074838 sur OpenAlexafffund
P. Karvan, A. Varvani‐Farahani

Notice bibliographique

RevueFatigue & Fracture of Engineering Materials & Structures · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueHigh Temperature Alloys and Creep
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésHardening (computing)Materials scienceIsotropyYield surfaceSofteningPlasticityStructural engineeringStrain hardening exponentKinematicsComposite materialMechanicsFinite element methodConstitutive equationEngineeringPhysicsClassical mechanics

Résumé

récupéré en direct d'OpenAlex

Abstract The present study intends to characterize ratcheting response of several steel alloys subject to asymmetric loading cycles through coupling the Ahmadzadeh‐Varvani kinematic hardening rule with isotropic hardening rules of Lee and Zavrel, Chaboche, and Kang. The Ahmadzadeh‐Varvani kinematic hardening rule was developed to address ratcheting progress over asymmetric stress cycles with relatively a simple framework and less number of coefficients. Inclusion of isotropic hardening rules to the framework improved ratcheting response of materials mainly over the first stage of ratcheting. Lee and Zavrel model (ISO‐I) developed an exponential function to account for accumulated plastic strain as yield surface is expanded over stage I and early stage II of ratcheting. Isotropic models by Chaboche (ISO‐II) and Kang (ISO‐III) encountered yield surface evolution in the framework by introducing an internal variable that takes into account the prior maximum plastic strain range. The choice of isotropic hardening model coupled to the kinematic hardening model is highly influenced by material softening/hardening response.

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)0,002
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,151
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
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 Opus0,019
Tête enseignante GPT0,262
Écart entre enseignants0,243 · 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

Citations16
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFatigue & Fracture of Engineering Materials & StructuresMême sujetHigh Temperature Alloys and CreepTravaux en français237 207