MétaCan
Menu
Retour à la cohorte
Enregistrement W2944239507 · doi:10.1063/1.5099770

Friction stir welded lap joint inspection using ultrasonic guided waves

2019· article· en· W2944239507 sur OpenAlexaff
Pierre Bélanger, Mohammad Jahazi

Notice bibliographique

RevueAIP conference proceedings · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Welding Techniques Analysis
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésLaser Doppler vibrometerMaterials scienceLap jointFriction stir weldingRotational speedWeldingUltrasonic sensorRivetTraverseAcousticsTransducerUltrasonic testingJoint (building)Lamb wavesComposite materialStructural engineeringMechanical engineeringEngineeringOpticsWave propagation

Résumé

récupéré en direct d'OpenAlex

Friction stir welding is a solid state joining process used across a range of industries from shipbuilding to aerospace. However, defects such as kissing bonds or wormholes usually associated with poor control of the rotational and traverse speeds during manufacturing remain difficult to detect using standard nondestructive testing methods. This paper investigates the correlation between the transmission of low-frequency ultrasonic guided waves through a lap joint and the rotational speed used during manufacturing. The aim of the method is therefore to nondestructively assess the manufacturing parameters rather than detect specific defects. The experimental setup comprises a 100 kHz shear transducer used for the excitation of S0, six pairs of 3.2 mm aluminium plates in a friction stir welded lap joint configuration and a 2D laser Doppler vibrometer. The lap joints were manufactured with a rotational speed varying from 600 RPM to 1050 RPM while the traverse speed and the plunge were maintained constant. The experimental results showed excellent correlation between the transmission S0 and the stir zone width. Clear outliers were also identified when looking at the amplitude of the 2nd harmonic of the S0 mode.

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 enseignants0,858
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 savante0,0000,001
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 Opus0,028
Tête enseignante GPT0,254
Écart entre enseignants0,226 · 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'admission1
Résumé présentoui

Explorer davantage

Même revueAIP conference proceedingsMême sujetAdvanced Welding Techniques AnalysisTravaux en français237 207