MétaCan
Menu
Retour à la cohorte
Enregistrement W2988806742 · doi:10.32861/sr.510.179.184

Machining Versus Molding Tolerances in Manufacturing Automotive Sealing Systems

2019· article· en· W2988806742 sur OpenAlexaff
Ben Chouchaoui, Joe Gutierrez, Vince Mungioli, Kassem Ghanem

Notice bibliographique

RevueScientific Review · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensWindsor Utilities Commission (Canada)
Organismes subventionnairesFord Motor Company
Mots-clésAutomotive industryManufacturing engineeringMechanical engineeringMachiningEngineeringPowertrainWeldingAutomotive engineeringTorque

Résumé

récupéré en direct d'OpenAlex

The automotive industry has been at the forefront of converting traditional metal parts to plastics. The latter surely offer greater design freedom, opportunity for consolidation, fewer assembly operations, reduced secondary finishing, weight reduction, lower total system costs, a range of properties tailored to specific applications, the ability to withstand temperatures, immunity to most chemicals and corrosive environments. They offer processing in many colors, electrical non-conductivity (insulation from electrical shocks), good thermal breaks (“warmth-to-the-touch”), and low sound transmission (tendency to muffle noise). Nonetheless, plastics have only tapped an estimated 15% of their tremendous potential to replace metals. This is particularly to increase with newer high-performance plastics, increasing sophistication in alloying and blending technologies, and use of computer-aided design and engineering (CAD/CAE) systems. The latter enable engineers to visualize complex parts and molding tools more effectively and faster than ever before. This article identifies fundamental steps and requirements to conduct an efficient and successful conversion of metallic parts to plastics, reviewing the replacement design process from concept to production; an under-the-hood rear retainer for Ford Motor Company is detailed as a case study.

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)0,001
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,248
Score d'incertitude au seuil0,572

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,017
Tête enseignante GPT0,244
Écart entre enseignants0,228 · 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'étudeSimulation ou modélisation
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 revueScientific ReviewMême sujetManufacturing Process and OptimizationTravaux en français237 207