MétaCan
Menu
Retour à la cohorte
Enregistrement W3164430037 · doi:10.3390/app11104681

Capability of Advanced Ultrasonic Inspection Technologies for Hydraulic Turbine Runners

2021· article· en· W3164430037 sur OpenAlexaff
Mohammad Ebrahim Bajgholi, Gilles Rousseau, Martin Viens, Denis Thibault

Notice bibliographique

RevueApplied Sciences · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueUltrasonics and Acoustic Wave Propagation
Établissements canadiensHydro-QuébecÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésWeldingNondestructive testingUltrasonic sensorUltrasonic testingReliability (semiconductor)TurbineTurbine bladeEngineeringMechanical engineeringStructural engineeringPower (physics)Acoustics

Résumé

récupéré en direct d'OpenAlex

This paper presents the results of a project aimed at evaluating the performance of ultrasonic techniques for detecting flaws in Francis turbine runners. This work is the first phase of a more ambitious program aimed at improving the reliability of inspection of critical areas in turbine runners. Francis runners may be utilized to supply power during peak periods, which means that they experience additional load stress associated with start and stop sequences. Inspection during manufacturing is then of paramount importance to remove as much as feasible all flaw initiation sites before the heat treatment. This phase one objective is to collect initial data on a simplified mock-up and then to compare the experimental ultrasonic data with the results of simulations performed by CIVA, a computer simulation package. The area of interest is the region with the highest stress between the blade and the web. A welded T-joint coupon made of UNS S41500 was manufactured to represent this high-stress area. During the FCAW welding process, ceramic beads were embedded in the weld to create discontinuities whose size is in the critical range to initiate a crack. Inspection of the material was carried out by various nondestructive testing (NDT) methods namely conventional pulse-echo, phased array, total focusing method (TFM). With these results, detection rates were obtained in order to compare the effectiveness of each method.

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 enseignants0,047
Score d'incertitude au seuil0,271

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 savante0,0000,000
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 Opus0,009
Tête enseignante GPT0,221
Écart entre enseignants0,212 · 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

Citations10
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetUltrasonics and Acoustic Wave PropagationTravaux en français237 207