MétaCan
Menu
Retour à la cohorte
Enregistrement W3092919130 · doi:10.3390/mi11100935

Investigation of a Liquid-Phase Electrode for Micro-Electro-Discharge Machining

2020· article· en· W3092919130 sur OpenAlexfundno aff
Ruining Huang, Ying Yi, Erlei Zhu, Xiaogang Xiong

Notice bibliographique

RevueMicromachines · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Machining and Optimization Techniques
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of British ColumbiaNational Natural Science Foundation of China
Mots-clésElectrodeMaterials scienceNozzleElectrical discharge machiningMachiningLiquid metalElectric fieldGroove (engineering)Composite materialMiniaturizationMechanical engineeringMetallurgyNanotechnologyChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Micro-electro-discharge machining (μEDM) plays a significant role in miniaturization. Complex electrode manufacturing and a high wear ratio are bottlenecks for μEDM and seriously restrict the manufacturing of microcomponents. To solve the electrode problems in traditional EDM, a µEDM method using liquid metal as the machining electrode was developed. Briefly, a liquid-metal tip was suspended at the end of a capillary nozzle and used as the discharge electrode for sparking the workpiece and removing workpiece material. During discharge, the liquid electrode was continuously supplied to the nozzle to eliminate the effects of liquid consumption on the erosion process. The forming process of a liquid-metal electrode tip and the influence of an applied external pressure and electric field on the electrode shape were theoretically analyzed. The effects of external pressure and electric field on the material removal rate (MRR), liquid-metal consumption rate (LMCR), and groove width were experimentally analyzed. Simulation results showed that the external pressure and electric field had a large influence on the electrode shape. Experimental results showed that the geometry and shape of the liquid-metal electrode could be controlled and constrained; furthermore, liquid consumption could be well compensated, which was very suitable for µEDM.

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 seuil0,003

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 savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,015
Tête enseignante GPT0,261
Écart entre enseignants0,246 · 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

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMicromachinesMême sujetAdvanced Machining and Optimization TechniquesTravaux en français237 207