MétaCan
Menu
Retour à la cohorte
Enregistrement W2988977240 · doi:10.1016/j.ifacol.2019.10.042

Effects of Harmonic Vibrations of Cutting Speed on Cutting Force and Surface Quality in Al 7075-T6 Broaching

2019· article· en· W2988977240 sur OpenAlexaff
Mahdi Sadeqi Bajestani, Behnam Moetakef Imani, Ali Hosseini

Notice bibliographique

RevueIFAC-PapersOnLine · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensUniversity of Ontario Institute of Technology
Organismes subventionnairesnon disponible
Mots-clésBroachingMachiningVibrationMechanical engineeringQuality (philosophy)Phase (matter)EngineeringMaterials scienceAcousticsPhysics

Résumé

récupéré en direct d'OpenAlex

Broaching is a single-pass machining operation for producing complex profiles with finished surface qualities, which is mostly used in mass production where short manufacturing lead-time is desired. Despite its importance in machining industry, broaching received little attention in academic studies after emergence of high-speed CNC machines. The present study was carried out in two phases with the aim of enhancing surface quality and lowering cutting force in broaching of Al 7075-T6. In the first phase, broaching tests were performed with four constant cutting speeds (5, 10, 15, and 20 m/min). In the second phase of the experimentation, harmonic vibrations (dithers) with tailored amplitude and frequency were intentionally added to the cutting speed in order to investigate the effects on the process performance. In this phase, the tests were conducted with two different cutting speeds (5 and 10 m/min). All the experiments were performed using a servo hydraulic system with position and speed control. Results reveal that increasing the cutting speed and applying dither, not only enhance surface quality but also lower the cutting force. The results of this study can be applied to achieve higher productivity with lower cost in a modern industrial setting.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,100
Score d'incertitude au seuil0,640

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 Opus0,007
Tête enseignante GPT0,257
Écart entre enseignants0,250 · 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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIFAC-PapersOnLineMême sujetAdvanced machining processes and optimizationTravaux en français237 207