MétaCan
Menu
Retour à la cohorte
Enregistrement W2963425566 · doi:10.1016/j.promfg.2019.06.150

Effect of initial surface topography during laser polishing process: Statistical analysis

2019· article· en· W2963425566 sur OpenAlexafffund
Evgueni V. Bordatchev, Srdjan Cvijanovic, O. Remus Tutunea‐Fatan

Notice bibliographique

RevueProcedia Manufacturing · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueTribology and Lubrication Engineering
Établissements canadiensNational Research Council CanadaWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPolishingSurface roughnessSurface (topology)SmoothingSurface finishMaterials scienceSurface finishingLaserStatistical analysisOpticsMechanical engineeringMetallurgyComposite materialGeometryMathematicsEngineeringPhysicsStatistics

Résumé

récupéré en direct d'OpenAlex

Surface finish is one of the most important quality characteristics of fabricated components. Laser polishing (LP) is one of the advanced manufacturing surface finishing techniques that has been recently developed and successfully employed for improving surface quality without deteriorating the overall structural form through surface smoothing by melting and redistributing a thin layer of molten material. This paper advances the statistical analysis of the LP process emphasizing aspects of the effect of the initial surface topography. Flat and ground initial surfaces are used for comparative statistical analysis of initial and polished profiles obtained experimentally. Their profile geometries and surface quality characteristics, such as, roughness, were compared and analyzed. In addition, LP process was experimentally investigated as a thermodynamic operator represented by a transfer function and it was examined by means of a coherence function.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,003
Tête enseignante GPT0,239
Écart entre enseignants0,237 · 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

Citations17
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProcedia ManufacturingMême sujetTribology and Lubrication EngineeringTravaux en français237 207