MétaCan
Menu
Retour à la cohorte
Enregistrement W3014894732 · doi:10.3390/coatings10040342

Effects of Laser Hardening Process Parameters on Hardness Profile of 4340 Steel Spline—An Experimental Approach

2020· article· en· W3014894732 sur OpenAlexaff
Noureddine Barka, Sasan Sattarpanah Karganroudi, Rachid Fakir, Patrick Thibeault, Vincent Blériot Feujofack Kemda

Notice bibliographique

RevueCoatings · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensCegep de Sept IlesUniversité du Québec à Rimouski
Organismes subventionnairesnon disponible
Mots-clésHardening (computing)Spline (mechanical)Materials scienceHardnessLaserCase hardeningIndentation hardnessMetallurgyComposite materialStructural engineeringOpticsEngineeringMicrostructurePhysics

Résumé

récupéré en direct d'OpenAlex

This study displays the effect of laser surface hardening parameters on the hardness profile (case depth) of a splined shaft made of AISI 4340 steel. The approach is mainly based on experimental tests wherein the hardness profile of laser hardened splines is acquired using micro-hardness measurements. These results are then evaluated with statistical analysis (ANOVA) to determine the principal effect and the contributions of each parameter in the laser hardening process. Using empirical correlations, the case depth of splined shaft at tip and root of spline’s teeth is also estimated and verified with measured data. The obtained results were then used to study the sensitivity of the measured case depths according to the evolution of laser process parameters and geometrical factors. The feasibility and efficiency of the proposed approach lead to a reliable statistical model in which the hardness profile of the spline is estimated with respect to its specific geometry.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,018
Tête enseignante GPT0,232
Écart entre enseignants0,214 · 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'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

Citations36
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCoatingsMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207