MétaCan
Menu
Retour à la cohorte
Enregistrement W2954013737 · doi:10.1115/1.4044099

Effect of Multiple Pulse Resistance Spot Welding Schedules on Liquid Metal Embrittlement Severity

2019· article· en· W2954013737 sur OpenAlexaff
E. Wintjes, Christopher DiGiovanni, Liu He, Swarup Bag, Frank Goodwin, E. Biro, Y. Zhou

Notice bibliographique

RevueJournal of Manufacturing Science and Engineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Welding Techniques Analysis
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésWeldingMaterials scienceSpot weldingLiquid metal embrittlementEmbrittlementMetallurgyCoatingCrackingPulse (music)ZincComposite materialVoltageMicrostructure

Résumé

récupéré en direct d'OpenAlex

Zinc-coated advanced high strength steels (AHSS) used in automotive applications are susceptible to liquid metal embrittlement (LME) during resistance spot welding (RSW). This study examines the impact of multiple pulse welding schedules on LME severity in welds of TRIP1100. Two different types of pulsing methodologies have been proposed to reduce LME severity: applying a pre-pulse before the welding current to remove the zinc coating and pulsing during the welding current to manage heat generation. However, the mechanisms by which these methods affect LME severity have not been fully explored. This work showed that a welding schedule consisting of two equal length pulses resulted in the least severe LME because it reduced the amount of free zinc available for LME without creating too much tensile stress. The majority of pre-pulse welding schedules caused an increase in LME cracking due to the additional heat introduced into the weld. However, a 4 kA (low current) pre-pulse applied for 3 cy (low time) reduced LME cracking by almost 30%. The pre-pulse allowed zinc to diffuse into the coating and stabilize the zinc, without introducing too much additional heat into the weld. These results indicate that multiple pulse welding schedules may be successfully used to reduce LME cracking, although the mechanisms by which they impact LME are more complicated than previously thought.

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 seuil0,006

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 Opus0,004
Tête enseignante GPT0,220
Écart entre enseignants0,215 · 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

Citations54
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing Science and EngineeringMême sujetAdvanced Welding Techniques AnalysisTravaux en français237 207