MétaCan
Menu
Retour à la cohorte
Enregistrement W2892603193 · doi:10.1088/1757-899x/418/1/012069

Study of Trimming Behavior of Automotive AZ31 and ZEK100 Sheet Materials

2018· article· en· W2892603193 sur OpenAlexaff
Peng Zhang, Mukesh Jain, R.K. Mishra

Notice bibliographique

RevueIOP Conference Series Materials Science and Engineering · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAluminum Alloys Composites Properties
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésTrimmingEnhanced Data Rates for GSM EvolutionMaterials scienceDie (integrated circuit)Composite materialMechanical engineeringEngineeringNanotechnology

Résumé

récupéré en direct d'OpenAlex

The trimming behavior of AZ31 and ZEK100 automotive magnesium sheet materials was investigated using lab-based experiments. The effects of trimming process parameters; trimming speed, clearance and tool setup configuration, on quality of trimmed edge were analyzed. Experimental results indicated strong dependence of trimmed edge quality on trimming process conditions. Clearance between punch and die had the most significant influence on the trimming behavior of AZ31 and ZEK100, both the punch load peak and quality of trimmed edge decreased with increase of clearance. The larger is the clearance, the later the crack initiates. ZEK100 was more sensitive to smaller clearance compared to AZ31. Trimmed edge quality of AZ31 and ZEK100 Mg sheets improved with increase in trimming speeds up to 5 mm/sec. The tool setup configuration with cushion consistently resulted in better trimmed edge quality and especially help with burr height reduction which is a key parameter for assessing the quality of the trimmed edge.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,020
Score d'incertitude au seuil0,852

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
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 Opus0,018
Tête enseignante GPT0,222
Écart entre enseignants0,203 · 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.

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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIOP Conference Series Materials Science and EngineeringMême sujetAluminum Alloys Composites PropertiesTravaux en français237 207