MétaCan
Menu
Retour à la cohorte
Enregistrement W3007669953 · doi:10.3390/met10020285

Effects of Microstructure, Mechanical and Physical Properties on Machinability of Graphite Cast Irons

2020· article· en· W3007669953 sur OpenAlexaff
Jiangzhuo Ren, Fengzhang Ren, Fengjun Li, Linkai Cui, Yi Xiong, Alex A. Volinsky

Notice bibliographique

RevueMetals · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMetal Alloys Wear and Properties
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Scholarship CouncilNational Natural Science Foundation of China
Mots-clésMachinabilityMaterials scienceSurface roughnessMachiningMicrostructureMetallurgyDrillingPearliteTool wearSurface finishThermal conductivityComposite material

Résumé

récupéré en direct d'OpenAlex

Flake (FGI) and spheroidal (SGI) graphite cast irons are often used to produce workpieces, which often need to be machined. Machinability differences under various machining methods are the basis for choosing machining equipment and technology. In this work, FGI and SGI were used to produce tractor front brackets, and the machinability of both materials under turning and drilling processes was compared. The machinability (turning and drilling ability) has been evaluated in terms of machining load, chips shape, surface roughness, and tool temperature. The influence of materials microstructure and thermal conductivity on the machinability was analyzed. In the turning process, the cutting force and its standard deviation of the FGI were larger than the SGI due to the higher volume fraction of pearlite. The surface roughness was similar in both materials. In the drilling process, the even action of the friction and cutting force on the bit turned into similar drilling loads for both materials. Higher friction and lower thermal conductivity caused a higher bit temperature in SGI drilling compared to FGI. The chip breaking was worse in SGI drilling, where the longer chips scratched the internal surface of the holes, resulting in the higher surface roughness.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,304

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 Opus0,021
Tête enseignante GPT0,226
Écart entre enseignants0,205 · 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'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

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMetalsMême sujetMetal Alloys Wear and PropertiesTravaux en français237 207