MétaCan
Menu
Retour à la cohorte
Enregistrement W2920001589 · doi:10.3791/59168

Intermediate Strain Rate Material Characterization with Digital Image Correlation

2019· article· en· W2920001589 sur OpenAlexafffund
Meysam Rahmat, David Bäckman, Richard Desnoyers

Notice bibliographique

RevueJournal of Visualized Experiments · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiqueHigh-Velocity Impact and Material Behavior
Établissements canadiensNational Research Council Canada
Organismes subventionnairesNational Research Council Canada
Mots-clésDigital image correlationQuasistatic processCharacterization (materials science)Computer scienceDynamic testingStrain gaugeProtocol (science)Strain rateReliability (semiconductor)Materials scienceComposite materialPhysics

Résumé

récupéré en direct d'OpenAlex

The mechanical response of a material under dynamic load is typically different than its behavior under static conditions; therefore, the common quasistatic equipment and procedures used for material characterization are not applicable for materials under dynamic loads. The dynamic response of a material depends on its deformation rate and is broadly categorized into high (i.e., greater than 200/s), intermediate (i.e., 10-200/s) and low strain rate regimes (i.e., below 10/s). Each of these regimes calls for specific facilities and testing protocols to ensure the reliability of the acquired data. Due to the limited access to high-speed servo-hydraulic facilities and validated testing protocols, there is a noticeable gap in the results at the intermediate strain rate. The current manuscript presents a validated protocol for the characterization of different materials at these intermediate strain rates. Strain gauge instrumentation and digital image correlation protocols are also included as complimentary modules to extract the utmost level of detailed data from every single test. Examples of raw data, obtained from a variety of materials and test setups (e.g., tensile and shear) is presented and the analysis procedure used to process the output data is described. Finally, the challenges of dynamic characterization using the current protocol, along with the limitations of the facility and methods of overcoming potential problems are discussed.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,013
Score d'incertitude au seuil0,998

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 savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,015
Tête enseignante GPT0,358
Écart entre enseignants0,343 · 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

Citations1
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Visualized ExperimentsMême sujetHigh-Velocity Impact and Material BehaviorTravaux en français237 207