MétaCan
Menu
Retour à la cohorte
Enregistrement W2887748072 · doi:10.1088/1742-6596/1063/1/012127

Effect of Warm Forming on Formability and Springback of Aluminum Alloy Brazing Sheet

2018· article· en· W2887748072 sur OpenAlexaff
Kyu Bin Han, Ryan George, Michael J. Worswick, S. Winkler

Notice bibliographique

RevueJournal of Physics Conference Series · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal Forming Simulation Techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésFormabilityMaterials scienceFlatness (cosmology)BrazingAlloyMetallurgyAluminiumForming processesSheet metalComposite materialDie (integrated circuit)

Résumé

récupéré en direct d'OpenAlex

This paper investigates the effect of warm forming (up to 350°C) on the formability and springback behavior of AA3003/AA4045 brazing sheet (0.2 mm gauge) for two temper conditions: O- and H24-temper. The key objective is to utilize warm forming to form aggressive geometries and control the springback to improve the part flatness which enables the use of harder temper material with improved strength. Simulations and experiments are performed considering heated dies at several different temperatures up to 350 °C and the blanks are pre-heated in the dies. The geometry under study is referred as a surrogate heat-exchanger component (SHC) and contains complex features found on commercial automotive thermal management systems. An in-depth springback characterization was completed for a wide range of forming process parameters such as: temperature, punch load, sheet direction, and holding time. Numerical simulations were also performed to predict the springback behavior and were compared to the experiments. There were no clear results showing improvement in formability using the warm forming process. However, increased temperatures (above 250 °C) offered significant improvement in springback for the harder H24 material temper.

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)0,001
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 enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0020,000

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 Opus0,013
Tête enseignante GPT0,262
Écart entre enseignants0,249 · 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

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Physics Conference SeriesMême sujetMetal Forming Simulation TechniquesTravaux en français237 207