Induced defect layer method to characterize the effect of fiber tow gaps for the laminates manufactured by automated fiber placement technique
Notice bibliographique
Résumé
Automated manufacturing defects are new types of composite structure defects induced during fiber deposition by robots. Fiber tow gap is one of the most probable types of defects observed in the Automated Fiber Placement (AFP) technique. This defect can affect the structural integrity of structures by reducing structural strength and stiffness. The effect of this defect on the mechanical response of the composite laminates has been investigated experimentally in the literature. However, there is still no efficient numerical/analytical method for damage assessment of composite structures with distributed induced gaps manufactured by the AFP technique. The present paper aims to develop the Induced Defect Layer Method (IDLM), a new robust meso-macro model for damage analysis of the composite laminates with gaps. In this method, a geometrical parameter, Gap Percentage (GP), is implemented to incorporate the effect of induced-gaps in the elastic, inelastic, and softening behavior at the material points. Thus, while the plasticity and failure of the resin pockets in conjunction with intralaminar composite damages can be evaluated by this method, the defective areas are not required to be defined as resin elements in the Finite Element (FE) models. It can also be applied for any arbitrary distributions of the defects in the multi-layer composite structures, making it a powerful tool for continuum damage analysis of large composite structures. Results indicate that the proposed method can consider the effect of gaps in both elastic and inelastic behavior of the composite laminate with defects. It also provides good agreement with the experimental results.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».