MétaCan
Menu
Retour à la cohorte
Enregistrement W3041393592 · doi:10.1177/0954405420937502

On the impacts of cutting parameters on surface roughness, tool wear mode and size in slot milling of A356 metal matrix composites reinforced with silicon carbide elements

2020· article· en· W3041393592 sur OpenAlexaff
Masoud Saberi, Seyed Ali Niknam, Ramin Hashemi

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceMachinabilitySilicon carbideComposite materialMachiningSurface roughnessCeramicMetal matrix compositeComposite numberAbrasion (mechanical)LubricationCarbideTool wearMetallurgy

Résumé

récupéré en direct d'OpenAlex

Metal matrix composite is made of non-metallic reinforcements (usually ceramic) in metal matrices that are widely used in various industries, including aerospace and automotive. Two main components of metal matrix composite are the matrix (base metal) and the reinforcing particles that tend to increase the hardness of the workpart. The production and machining of such materials are hard and costly. However, due to their excellent mechanical properties such as high strength to weight ratio, high hardness and rigidity, corrosion resistance, abrasion resistance, and low thermal coefficient, their applications are still growing in various aspects. One major division of metal matrix composite is aluminum metal matrix composite with ceramics particulate reinforcement such as silicon carbide and alumina. According to review of literature, a low volume of information was found in terms of machinability of specific grades of aluminum composite (A356-10% silicon carbide) under various lubrication modes. Therefore, in the course of this study, several blocks of aluminum metal matrix composite (A356) reinforced with 10% silicon carbide elements were used under dry, minimum quantity lubrication and wet milling operation. The maximum flank wear, tool wear modes, as well as the average surface roughness were recorded and were subsequently studied as the machining performance attributes. The use of lubricants in both minimum quantity lubrication and wet modes led to reduced tool wear as compared with readings made under dry mode. However, under similar experimental conditions, no significant improvement was observed on the average surface roughness values.

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 enseignants0,001
Score d'incertitude au seuil0,002

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
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,007
Tête enseignante GPT0,209
Écart entre enseignants0,202 · 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

Citations20
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part B Journal of Engineering ManufactureMême sujetAdvanced machining processes and optimizationTravaux en français237 207