MétaCan
Menu
Retour à la cohorte
Enregistrement W3003930716 · doi:10.5539/jmr.v12n1p22

Optimization of Micro-Electrical Discharge Machining Parameters of Ti6AL4V Component: A Mapping Study

2019· article· en· W3003930716 sur OpenAlexvenueno aff
Christina Apostolopoulou, Laith Abdullah Al-Juboori

Notice bibliographique

RevueJournal of Mathematics Research · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Machining and Optimization Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMachiningElectrical discharge machiningTitanium alloyMechanical engineeringComponent (thermodynamics)AerospaceProcess (computing)Computer scienceMicroelectromechanical systemsAutomotive industryWork (physics)Manufacturing engineeringMaterials scienceEngineeringAlloyNanotechnologyMetallurgyAerospace engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

The micro-Electrical Discharge Machining (micro-EDM) is a non-conventional machining process which utilizes electro-thermal, non-contact effects to remove material from the workpiece. Micro-EDM is controlled by many machining parameters and its accuracy is evaluated by performance measures. It is employed when high accuracy and precision are required, especially when difficult-to-machine materials, like titanium alloy Ti6Al4V, are involved. Given the tremendous applications of Ti6Al4V in biomedical devices, automotive, aerospace and microelectromechanical systems, it is valuable to examine thoroughly the micro-EDM of Ti6Al4V component. This work reports a systematic mapping study of 36 papers published in journals and proceedings of conferences in the nearly two decades 2000-2018. First, we divide the papers into categories according to the various optimization techniques applied for the enhancement of micro-EDM machining process of Ti6Al4V component. Then, we discuss the techniques most used and give insight into the current research trends in micro-EDM. Accompanying comments about the use of the mentioned studies for teaching purposes may be of considerable interest for educators.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,007
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
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 Opus0,052
Tête enseignante GPT0,345
Écart entre enseignants0,293 · 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'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

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Mathematics ResearchMême sujetAdvanced Machining and Optimization TechniquesTravaux en français237 207