Material Model Selection for Crankshaft Deep Rolling Process Numerical Simulation
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Residual stress prediction arising from manufacturing processes provides paramount information for the fatigue performance assessment of components subjected to cyclic loading. The determination of the material model to be applied in the numerical model should be taken carefully. This study focuses on the estimation of residual stresses generated after deep rolling of cast iron crankshafts. The researched literature on the field employs the available commercial material codes without closer consideration on their reverse loading capacities. To mitigate this gap, a single element model was used to compare potential material models with tensile-compression experiments. The best fit model was then applied to a previously developed crankshaft deep rolling numerical model. In order to confront the simulation outcomes, residual stresses were measured in two directions on real crankshaft specimens that passed through the same modeled deep rolling process. Electrolytic polishing was used to etch the region of interest and enable in-depth residual stress analysis through X-ray diffraction method. The comparison revealed the model’s ability to follow the residual stress state tendency, predicting compressive stresses at the surface, a subsurface peak and eventual transition to the tractive state. Magnitude discrepancies were discussed and hypotheses related to the specimen preparation procedure were raised. Overall, the activities described in this study yielded in a model confidence increase, which further enables its usage into the crankshaft design stage.</div></div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».