MétaCan
Menu
Retour à la cohorte
Enregistrement W3010401191 · doi:10.4028/www.scientific.net/msf.980.136

Characters of Deformation and Surface Quality and Cutter Wearing at High-Speed Cutting

2020· article· en· W3010401191 sur OpenAlexaff
Hu Ping An, Zhi Yuan Rui, R. Mahalinga Iyer

Notice bibliographique

RevueMaterials science forum · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceChipBrittlenessSurface roughnessChip formationDeformation (meteorology)MetallurgyWeldingCeramicCutting toolSurface finishComposite materialMachiningMechanical engineeringTool wearEngineering

Résumé

récupéré en direct d'OpenAlex

In this paper, the impact of cutting speed and feed amount on cutting deformation and surface quality and cutter wear have been studied by the test of high manganese steel cutting with metal ceramic tool at high speed. The results show that it is feasible by cutting high manganese steel with cermet tool at high-speed cutting (HSC). Chip changes into succession segment from band in macrostate. Sawteeth can be seen on the top surface of chip while high temperature feature in burning color and cold welding form appear on the bottom of the chip. The model of surface roughness built can be used to predict surface quality at HSC, and provided cutting optimized parameters scheme. Further research indicates that high-speed cutting has its special deformation mechanism and plastic chips exhibit hot brittleness which provides a favorable condition for solving the chip breaking problem in the cutting of high manganese steel.

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 enseignants0,032
Score d'incertitude au seuil0,251

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 savante0,0000,001
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 Opus0,016
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'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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterials science forumMême sujetAdvanced machining processes and optimizationTravaux en français237 207