MétaCan
Menu
Retour à la cohorte
Enregistrement W3093501856 · doi:10.4050/f-0076-2020-16280

Reducing Risk in 3D Printed Composite Tooling

2020· article· en· W3093501856 sur OpenAlexaff
Eric Dunn

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensLockheed Martin (Canada)
Organismes subventionnairesnon disponible
Mots-clésMoldScheduleManufacturing engineering3d printedComputer scienceComposite numberManufacturing costScale (ratio)AutoclaveMechanical engineeringProcess engineeringEngineering drawingMaterials scienceEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

For high end composite manufacturing in a rapid development environment, the long lead item is often the hard tooling, in particular the cure mold. A traditional metal mold takes in the neighborhood of four to nine months to design, fabricate and validate. With high temperature capable print materials, and larger and faster printers, Additive Manufacturing (AM) appears to have high potential in this area of advanced composites manufacturing. Sikorsky has used AM very successfully on a scale up to approximately 3'x3' and cure temperatures of 350°F. Though long-term durability is still to be determined; the materials, technologies, and techniques Sikorsky has employed for AM autoclave cure molds on this scale have consistently exceeded expectations. AM tools along the scale of main rotor blades could be leveraged to realize even more significant cost and schedule gains from AM autoclave tooling, and in this area, there are still more questions than answers when it comes to a dependable tooling solution. Rotorcraft development, in particular Future Vertical Lift (FVL), programs offer an opportunity to realize the significant schedule and cost benefits AM can provide for composite tooling.

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)0,003
score de la tête « metaresearch » (Gemma)0,015
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,015
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0020,004
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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 GPT0,212
Écart entre enseignants0,196 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207