MétaCan
Menu
Retour à la cohorte
Enregistrement W2956084971 · doi:10.3390/ma12132174

Machinability of Luxury Vinyl Tiles during Plain Milling Using a Helical Cutter

2019· article· en· W2956084971 sur OpenAlexaff
Zhaolong Zhu, Pingxiang Cao, Xiaolei Guo, Xiaodong Wang, Fan Zhang, Yu Gao

Notice bibliographique

RevueMaterials · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensUniversité Laval
Organismes subventionnairesDoctorate Fellowship Foundation of Nanjing Forestry UniversityNational Natural Science Foundation of China
Mots-clésHelix angleMachinabilitySurface roughnessMaterials scienceMachiningSurface finishDiamond toolHelix (gastropod)DrillingComposite materialGeometryDiamond cuttingSurface (topology)Diamond turningMetallurgyGeologyMathematics

Résumé

récupéré en direct d'OpenAlex

In order to better provide a theoretical basis for the machining of luxury vinyl tiles, a helical milling experiment was conducted by using diamond cutting tools, and special attention was given to the trends of cutting force and surface roughness in respect to tool geometry and cutting parameters. The results showed that the resultant force was negatively correlated to the helix angle and cutting speed, but positively correlated with the cutting depth. Then, that the surface roughness increased with a decrease of the helix angle and an increase of cutting depth, while as cutting speed raised, the surface roughness first declined and then increased. Thirdly, the cutting depth was shown to have the greatest influence on both cutting force and surface roughness, followed by helix angle and cutting speed. Fourth, the contribution of cutting depth only was significant to cutting force, while both the helix angle and cutting speed had insignificant influence on the cutting force and surface roughness. Finally, the optimal cutting conditions were proposed for industrial production, in which the helix angle, cutting speed and cutting depth were 70°, 2200 m/min and 0.5 mm, respectively.

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 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 enseignants0,230
Score d'incertitude au seuil0,434

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 savante0,0000,000
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 Opus0,005
Tête enseignante GPT0,211
Écart entre enseignants0,206 · 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

Citations8
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetAdvanced machining processes and optimizationTravaux en français237 207